Publication:
BCI for Meal Assistance Device

Thumbnail Image
Files

Files

BCI for Meal Assistance Device.pdf (331.39 KB)
View Statistics
Reference Managers
Mendeley
Indexers
Google Scholar CORE
QR Code
QR Code
Authors

Authors

Castro Sánchez, Brayan Camilo
Loaiza Carvajal, Laura Camila
Toro Quitian, Fitzgerald Leonard Gerardo
López López, Juan Manuel
Abstract (Spanish)
Hoy en día, en América Latina, una gran cantidad de personas se encuentran en una condición de discapacidad motora. Este fenómeno genera dificultades para ejecutar tareas diarias, como el proceso de alimentación. Para mitigar las dificultades diarias, Se necesitan dispositivos de asistencia. Este artículo describe la evaluación de una interfaz cerebro-computadora (BCI) para asistencia alimentaria, basada en el ritmo sensoriomotor. (SMR), característica de la intención del movimiento. El electroencefalográfico (EEG) se adquirieron y procesaron para extraer características en la frecuencia y dominio del tiempo. Estas características entrenan un modelo de clasificación que separa los intención de movimiento de cualquier otra actividad cerebral. El estudio se realizó con diez personas sanas que fueron sometidas a una prueba que corresponde a la alimentación ellos mismos diez veces. Los resultados obtenidos muestran que el tiempo promedio para activar el dispositivo de asistencia alimentaria es inferior a 10 s, además, la precisión de las pruebas realizado fue del 81,6%, es decir, hay una buena diferenciación entre un movimiento intención de otra actividad. Finalmente se concluyó que la comida propuesta dispositivo de asistencia consigue el objetivo de permitir una alimentación y alimentación autónomas. deja como precedente una alternativa a la implementación de dispositivos de asistencia mediante un ICC.
Abstract (English)
Nowadays, in Latin America, a huge amount of people are in a motor disability condition. This phenomenon generates difficulties to execute daily tasks, such as the feeding process. To mitigate the daily difficulties, assistance devices are needed. This paper describes the evaluation of a braincomputer interface (BCI) for meal assistance, based on the sensorimotor rhythm (SMR), characteristic of the movement intention. The electroencephalographic (EEG) signals were acquired and processed to extract features in the frequency and time domain. These features train a classification model that separates the movement intention from any other cerebral activity. The study was made with ten healthy people who were subjected to a test that corresponds to feed themselves ten times. The results obtained show that average time to activate the meal assistance device is less than 10 s, furthermore, the accuracy of the tests performed was 81.6%, i.e. there is a good differentiation between a movement intention from another activity. Finally, it was concluded that the purposed meal assistance device achieves the goal of allowing an autonomous feeding and leaves as a precedent an alternative to implementing assistance devices through a BCI.
Extent
5 páginas
URI: https://repositorio.escuelaing.edu.co/handle/001/3358
Collections

Collections

AA. Gibiome
References

Hochberg, L., Serruya, M., Friehs, M.: Neuronal ensemble control of prosthetic devices by a human with tetraplegia, pp. 164–171 (2006)

OMS Homepage. https://www.who.int/features/factfiles/disability/es/. Accessed 15 May 2019

Jimenez, C.: Involves in the Elderly and Other Dysfunctions of Neurological Origin. Masson, Barcelona (1999)

Pfurtscheller, G., Brunner, C., Schlogl, A., Lopes da Silva, F.: Mu rhythm (de) synchronization and EEG single-trial classification of different motor imagery tasks, pp. 1–7. Elsevier (2006)

Hjorth, B.: EEG analysis-based contributions on time domain properties, pp. 306–310. Elsevier, 30 January 1970

Hurtado, J., Rojas, S., Ricardo, Y., Alvarez, A., Castellanos, G.: Motor imagery classification using feature relevance analysis: an emotiv-based BCI system, pp. 1–5, January 2015

Vidaurre, C., Krämerc, N., Blankertz B., Schlögl A.: Time domain parameters as a feature for EEG-based brain computer interfaces, pp. 1313–1319. Elsevier (2009)

Fan, R., Chen, P., Lin, P.: Working set selection using second order information for training support vector machines. J. Mach. Learn. Res. 6, 1889–1918 (2005)

Wen, Z., Nancy, Z., Ning, W.: Sensitivity, specificity, accuracy, associated confidence interval and ROC analysis with practical SAS implementations. In: Health Care and Life Sciences, pp. 1–9. NESUG (2010)

Looned, R., Webb, J., Zheng X., Menon, C.: Assisting drinking with an affordable BCIcontrolled wearable robot and electrical stimulation: a preliminary investigation. J. Neuroeng. Rehabil. 1–13 (2014). 12th edn.

Chiu, C.-Y., Singh, A.K., Wang, Y.-K., King, J.-T., Lin, C.-T.: A Wireless Steady State Visually Evoked Potential-based BCI Eating Assistive System, pp. 3003–3007. IEEE, May 2017