diseño de algoritmos para clasificación de señales eeg.pgomez/conferences/pggceni19.pdf ·...
Post on 25-Mar-2020
13 Views
Preview:
TRANSCRIPT
Disentildeo de algoritmos para clasificacioacuten de sentildeales EEG
D r a M a r iacute a d e l P i l a r G oacute m e z G i l C o o r d i n a c i oacute n d e C o m p u t a c i oacute n
I N A O E M eacute x i c o
p g o m e z i n a o e p m x
1 5 d e N o v i e m b r e 2 0 1 9
V 16ndashNov-2019 Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull Un poco sobre nosotroshellip
bull iquestEs posible leer la mente
bull Reconocimiento de patrones IA y otros
trucoshellip
bull BCIrsquos y otras aplicaciones
bull Perspectivas y Conclusiones
bull Para saber mashellip
Contenido (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Un poco sobre nosotroshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EL INAOE (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
INSTIUTO NACIONAL DE ASTROFIacuteSICA OacutePTICA Y ELECTROacuteNICA Luis Enrique Erro 1 Snta Mariacutea Tonanzintla 72840 Pue Meacutexico
httpswwwinaoepmx (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Paacutegina de posgrados de INAOE httpsposgradosinaoepmx
6
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpcccinaoepmx~pgomez
7
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Liacuteneas de investigacioacutenlaboratorios en INAOE en los que participo
bull Aprendizaje automaacutetico y Reconocimiento de patrones
bull Procesamiento de sentildeales y computacioacuten biomeacutedica
httpscccinaoepmxgrupos
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Aprendizaje Automaacutetico y Redes Neuronales Artificiales (RNA) aplicadas en problemas de bull Reconocimiento de patrones bull Clasificacioacuten estaacutetica y temporal bull Prediccioacuten bull Disentildeo de RNA para soluciones ldquoa la medidardquo bull Modelos de aprendizaje para redes neuronales profundas
bull Otras aacutereas de aplicadas a dichos problemas (ejemplo Loacutegica Difusa Procesamiento de Sentildeales e imaacutegenes)
bull Teacutecnicas para procesamiento de sentildeales
(C) Pilar Goacutemez-Gil INAOE 2019 9
Mis aacutereas de intereacutes
Grupo PSIC algunos colaboradores y amigos
ψυχ
CLASIFICANDO EEGrsquoshellip iquestRealmente es posible leer la mente
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Un ejemplohellip
bull Seguacuten Andersen (2019) las BMI del tipo que ldquoleen la actividad cerebralrdquo auacuten estaacuten en un estado de desarrollo
bull Las BMI basadas en EEGrsquos o fMRIrsquos tienen muy poca exactitud los mejores resultados se han logrado con dispositivos incrustados directamente en la corteza cerebral
bull En 2013 Anderson y su equipo de trabajo consiguioacute que un paciente tetrapleacutejico voluntarios del proyecto pudiera tomar cerveza sin la ayuda de nadie a traveacutes de una BMI controlando un brazo roboacutetico con sus sentildeales EEG
Estado actual de las Interfaces maacutequina-computadora (BMI) o interfaces cerebro-computadora (BCI)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Conferencia en Youtube de Teds presentada por Andersen en 2013 ndash minuto 0502 moviendo el brazo roboacutetico
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpsyoutubeoRjU7KM_PB0t=302
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull Un poco sobre nosotroshellip
bull iquestEs posible leer la mente
bull Reconocimiento de patrones IA y otros
trucoshellip
bull BCIrsquos y otras aplicaciones
bull Perspectivas y Conclusiones
bull Para saber mashellip
Contenido (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Un poco sobre nosotroshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EL INAOE (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
INSTIUTO NACIONAL DE ASTROFIacuteSICA OacutePTICA Y ELECTROacuteNICA Luis Enrique Erro 1 Snta Mariacutea Tonanzintla 72840 Pue Meacutexico
httpswwwinaoepmx (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Paacutegina de posgrados de INAOE httpsposgradosinaoepmx
6
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpcccinaoepmx~pgomez
7
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Liacuteneas de investigacioacutenlaboratorios en INAOE en los que participo
bull Aprendizaje automaacutetico y Reconocimiento de patrones
bull Procesamiento de sentildeales y computacioacuten biomeacutedica
httpscccinaoepmxgrupos
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Aprendizaje Automaacutetico y Redes Neuronales Artificiales (RNA) aplicadas en problemas de bull Reconocimiento de patrones bull Clasificacioacuten estaacutetica y temporal bull Prediccioacuten bull Disentildeo de RNA para soluciones ldquoa la medidardquo bull Modelos de aprendizaje para redes neuronales profundas
bull Otras aacutereas de aplicadas a dichos problemas (ejemplo Loacutegica Difusa Procesamiento de Sentildeales e imaacutegenes)
bull Teacutecnicas para procesamiento de sentildeales
(C) Pilar Goacutemez-Gil INAOE 2019 9
Mis aacutereas de intereacutes
Grupo PSIC algunos colaboradores y amigos
ψυχ
CLASIFICANDO EEGrsquoshellip iquestRealmente es posible leer la mente
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Un ejemplohellip
bull Seguacuten Andersen (2019) las BMI del tipo que ldquoleen la actividad cerebralrdquo auacuten estaacuten en un estado de desarrollo
bull Las BMI basadas en EEGrsquos o fMRIrsquos tienen muy poca exactitud los mejores resultados se han logrado con dispositivos incrustados directamente en la corteza cerebral
bull En 2013 Anderson y su equipo de trabajo consiguioacute que un paciente tetrapleacutejico voluntarios del proyecto pudiera tomar cerveza sin la ayuda de nadie a traveacutes de una BMI controlando un brazo roboacutetico con sus sentildeales EEG
Estado actual de las Interfaces maacutequina-computadora (BMI) o interfaces cerebro-computadora (BCI)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Conferencia en Youtube de Teds presentada por Andersen en 2013 ndash minuto 0502 moviendo el brazo roboacutetico
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpsyoutubeoRjU7KM_PB0t=302
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Un poco sobre nosotroshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EL INAOE (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
INSTIUTO NACIONAL DE ASTROFIacuteSICA OacutePTICA Y ELECTROacuteNICA Luis Enrique Erro 1 Snta Mariacutea Tonanzintla 72840 Pue Meacutexico
httpswwwinaoepmx (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Paacutegina de posgrados de INAOE httpsposgradosinaoepmx
6
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpcccinaoepmx~pgomez
7
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Liacuteneas de investigacioacutenlaboratorios en INAOE en los que participo
bull Aprendizaje automaacutetico y Reconocimiento de patrones
bull Procesamiento de sentildeales y computacioacuten biomeacutedica
httpscccinaoepmxgrupos
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Aprendizaje Automaacutetico y Redes Neuronales Artificiales (RNA) aplicadas en problemas de bull Reconocimiento de patrones bull Clasificacioacuten estaacutetica y temporal bull Prediccioacuten bull Disentildeo de RNA para soluciones ldquoa la medidardquo bull Modelos de aprendizaje para redes neuronales profundas
bull Otras aacutereas de aplicadas a dichos problemas (ejemplo Loacutegica Difusa Procesamiento de Sentildeales e imaacutegenes)
bull Teacutecnicas para procesamiento de sentildeales
(C) Pilar Goacutemez-Gil INAOE 2019 9
Mis aacutereas de intereacutes
Grupo PSIC algunos colaboradores y amigos
ψυχ
CLASIFICANDO EEGrsquoshellip iquestRealmente es posible leer la mente
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Un ejemplohellip
bull Seguacuten Andersen (2019) las BMI del tipo que ldquoleen la actividad cerebralrdquo auacuten estaacuten en un estado de desarrollo
bull Las BMI basadas en EEGrsquos o fMRIrsquos tienen muy poca exactitud los mejores resultados se han logrado con dispositivos incrustados directamente en la corteza cerebral
bull En 2013 Anderson y su equipo de trabajo consiguioacute que un paciente tetrapleacutejico voluntarios del proyecto pudiera tomar cerveza sin la ayuda de nadie a traveacutes de una BMI controlando un brazo roboacutetico con sus sentildeales EEG
Estado actual de las Interfaces maacutequina-computadora (BMI) o interfaces cerebro-computadora (BCI)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Conferencia en Youtube de Teds presentada por Andersen en 2013 ndash minuto 0502 moviendo el brazo roboacutetico
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpsyoutubeoRjU7KM_PB0t=302
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
EL INAOE (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
INSTIUTO NACIONAL DE ASTROFIacuteSICA OacutePTICA Y ELECTROacuteNICA Luis Enrique Erro 1 Snta Mariacutea Tonanzintla 72840 Pue Meacutexico
httpswwwinaoepmx (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Paacutegina de posgrados de INAOE httpsposgradosinaoepmx
6
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpcccinaoepmx~pgomez
7
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Liacuteneas de investigacioacutenlaboratorios en INAOE en los que participo
bull Aprendizaje automaacutetico y Reconocimiento de patrones
bull Procesamiento de sentildeales y computacioacuten biomeacutedica
httpscccinaoepmxgrupos
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Aprendizaje Automaacutetico y Redes Neuronales Artificiales (RNA) aplicadas en problemas de bull Reconocimiento de patrones bull Clasificacioacuten estaacutetica y temporal bull Prediccioacuten bull Disentildeo de RNA para soluciones ldquoa la medidardquo bull Modelos de aprendizaje para redes neuronales profundas
bull Otras aacutereas de aplicadas a dichos problemas (ejemplo Loacutegica Difusa Procesamiento de Sentildeales e imaacutegenes)
bull Teacutecnicas para procesamiento de sentildeales
(C) Pilar Goacutemez-Gil INAOE 2019 9
Mis aacutereas de intereacutes
Grupo PSIC algunos colaboradores y amigos
ψυχ
CLASIFICANDO EEGrsquoshellip iquestRealmente es posible leer la mente
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Un ejemplohellip
bull Seguacuten Andersen (2019) las BMI del tipo que ldquoleen la actividad cerebralrdquo auacuten estaacuten en un estado de desarrollo
bull Las BMI basadas en EEGrsquos o fMRIrsquos tienen muy poca exactitud los mejores resultados se han logrado con dispositivos incrustados directamente en la corteza cerebral
bull En 2013 Anderson y su equipo de trabajo consiguioacute que un paciente tetrapleacutejico voluntarios del proyecto pudiera tomar cerveza sin la ayuda de nadie a traveacutes de una BMI controlando un brazo roboacutetico con sus sentildeales EEG
Estado actual de las Interfaces maacutequina-computadora (BMI) o interfaces cerebro-computadora (BCI)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Conferencia en Youtube de Teds presentada por Andersen en 2013 ndash minuto 0502 moviendo el brazo roboacutetico
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpsyoutubeoRjU7KM_PB0t=302
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
httpswwwinaoepmx (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Paacutegina de posgrados de INAOE httpsposgradosinaoepmx
6
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpcccinaoepmx~pgomez
7
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Liacuteneas de investigacioacutenlaboratorios en INAOE en los que participo
bull Aprendizaje automaacutetico y Reconocimiento de patrones
bull Procesamiento de sentildeales y computacioacuten biomeacutedica
httpscccinaoepmxgrupos
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Aprendizaje Automaacutetico y Redes Neuronales Artificiales (RNA) aplicadas en problemas de bull Reconocimiento de patrones bull Clasificacioacuten estaacutetica y temporal bull Prediccioacuten bull Disentildeo de RNA para soluciones ldquoa la medidardquo bull Modelos de aprendizaje para redes neuronales profundas
bull Otras aacutereas de aplicadas a dichos problemas (ejemplo Loacutegica Difusa Procesamiento de Sentildeales e imaacutegenes)
bull Teacutecnicas para procesamiento de sentildeales
(C) Pilar Goacutemez-Gil INAOE 2019 9
Mis aacutereas de intereacutes
Grupo PSIC algunos colaboradores y amigos
ψυχ
CLASIFICANDO EEGrsquoshellip iquestRealmente es posible leer la mente
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Un ejemplohellip
bull Seguacuten Andersen (2019) las BMI del tipo que ldquoleen la actividad cerebralrdquo auacuten estaacuten en un estado de desarrollo
bull Las BMI basadas en EEGrsquos o fMRIrsquos tienen muy poca exactitud los mejores resultados se han logrado con dispositivos incrustados directamente en la corteza cerebral
bull En 2013 Anderson y su equipo de trabajo consiguioacute que un paciente tetrapleacutejico voluntarios del proyecto pudiera tomar cerveza sin la ayuda de nadie a traveacutes de una BMI controlando un brazo roboacutetico con sus sentildeales EEG
Estado actual de las Interfaces maacutequina-computadora (BMI) o interfaces cerebro-computadora (BCI)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Conferencia en Youtube de Teds presentada por Andersen en 2013 ndash minuto 0502 moviendo el brazo roboacutetico
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpsyoutubeoRjU7KM_PB0t=302
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Paacutegina de posgrados de INAOE httpsposgradosinaoepmx
6
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpcccinaoepmx~pgomez
7
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Liacuteneas de investigacioacutenlaboratorios en INAOE en los que participo
bull Aprendizaje automaacutetico y Reconocimiento de patrones
bull Procesamiento de sentildeales y computacioacuten biomeacutedica
httpscccinaoepmxgrupos
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Aprendizaje Automaacutetico y Redes Neuronales Artificiales (RNA) aplicadas en problemas de bull Reconocimiento de patrones bull Clasificacioacuten estaacutetica y temporal bull Prediccioacuten bull Disentildeo de RNA para soluciones ldquoa la medidardquo bull Modelos de aprendizaje para redes neuronales profundas
bull Otras aacutereas de aplicadas a dichos problemas (ejemplo Loacutegica Difusa Procesamiento de Sentildeales e imaacutegenes)
bull Teacutecnicas para procesamiento de sentildeales
(C) Pilar Goacutemez-Gil INAOE 2019 9
Mis aacutereas de intereacutes
Grupo PSIC algunos colaboradores y amigos
ψυχ
CLASIFICANDO EEGrsquoshellip iquestRealmente es posible leer la mente
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Un ejemplohellip
bull Seguacuten Andersen (2019) las BMI del tipo que ldquoleen la actividad cerebralrdquo auacuten estaacuten en un estado de desarrollo
bull Las BMI basadas en EEGrsquos o fMRIrsquos tienen muy poca exactitud los mejores resultados se han logrado con dispositivos incrustados directamente en la corteza cerebral
bull En 2013 Anderson y su equipo de trabajo consiguioacute que un paciente tetrapleacutejico voluntarios del proyecto pudiera tomar cerveza sin la ayuda de nadie a traveacutes de una BMI controlando un brazo roboacutetico con sus sentildeales EEG
Estado actual de las Interfaces maacutequina-computadora (BMI) o interfaces cerebro-computadora (BCI)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Conferencia en Youtube de Teds presentada por Andersen en 2013 ndash minuto 0502 moviendo el brazo roboacutetico
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpsyoutubeoRjU7KM_PB0t=302
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
httpcccinaoepmx~pgomez
7
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Liacuteneas de investigacioacutenlaboratorios en INAOE en los que participo
bull Aprendizaje automaacutetico y Reconocimiento de patrones
bull Procesamiento de sentildeales y computacioacuten biomeacutedica
httpscccinaoepmxgrupos
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Aprendizaje Automaacutetico y Redes Neuronales Artificiales (RNA) aplicadas en problemas de bull Reconocimiento de patrones bull Clasificacioacuten estaacutetica y temporal bull Prediccioacuten bull Disentildeo de RNA para soluciones ldquoa la medidardquo bull Modelos de aprendizaje para redes neuronales profundas
bull Otras aacutereas de aplicadas a dichos problemas (ejemplo Loacutegica Difusa Procesamiento de Sentildeales e imaacutegenes)
bull Teacutecnicas para procesamiento de sentildeales
(C) Pilar Goacutemez-Gil INAOE 2019 9
Mis aacutereas de intereacutes
Grupo PSIC algunos colaboradores y amigos
ψυχ
CLASIFICANDO EEGrsquoshellip iquestRealmente es posible leer la mente
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Un ejemplohellip
bull Seguacuten Andersen (2019) las BMI del tipo que ldquoleen la actividad cerebralrdquo auacuten estaacuten en un estado de desarrollo
bull Las BMI basadas en EEGrsquos o fMRIrsquos tienen muy poca exactitud los mejores resultados se han logrado con dispositivos incrustados directamente en la corteza cerebral
bull En 2013 Anderson y su equipo de trabajo consiguioacute que un paciente tetrapleacutejico voluntarios del proyecto pudiera tomar cerveza sin la ayuda de nadie a traveacutes de una BMI controlando un brazo roboacutetico con sus sentildeales EEG
Estado actual de las Interfaces maacutequina-computadora (BMI) o interfaces cerebro-computadora (BCI)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Conferencia en Youtube de Teds presentada por Andersen en 2013 ndash minuto 0502 moviendo el brazo roboacutetico
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpsyoutubeoRjU7KM_PB0t=302
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Liacuteneas de investigacioacutenlaboratorios en INAOE en los que participo
bull Aprendizaje automaacutetico y Reconocimiento de patrones
bull Procesamiento de sentildeales y computacioacuten biomeacutedica
httpscccinaoepmxgrupos
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Aprendizaje Automaacutetico y Redes Neuronales Artificiales (RNA) aplicadas en problemas de bull Reconocimiento de patrones bull Clasificacioacuten estaacutetica y temporal bull Prediccioacuten bull Disentildeo de RNA para soluciones ldquoa la medidardquo bull Modelos de aprendizaje para redes neuronales profundas
bull Otras aacutereas de aplicadas a dichos problemas (ejemplo Loacutegica Difusa Procesamiento de Sentildeales e imaacutegenes)
bull Teacutecnicas para procesamiento de sentildeales
(C) Pilar Goacutemez-Gil INAOE 2019 9
Mis aacutereas de intereacutes
Grupo PSIC algunos colaboradores y amigos
ψυχ
CLASIFICANDO EEGrsquoshellip iquestRealmente es posible leer la mente
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Un ejemplohellip
bull Seguacuten Andersen (2019) las BMI del tipo que ldquoleen la actividad cerebralrdquo auacuten estaacuten en un estado de desarrollo
bull Las BMI basadas en EEGrsquos o fMRIrsquos tienen muy poca exactitud los mejores resultados se han logrado con dispositivos incrustados directamente en la corteza cerebral
bull En 2013 Anderson y su equipo de trabajo consiguioacute que un paciente tetrapleacutejico voluntarios del proyecto pudiera tomar cerveza sin la ayuda de nadie a traveacutes de una BMI controlando un brazo roboacutetico con sus sentildeales EEG
Estado actual de las Interfaces maacutequina-computadora (BMI) o interfaces cerebro-computadora (BCI)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Conferencia en Youtube de Teds presentada por Andersen en 2013 ndash minuto 0502 moviendo el brazo roboacutetico
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpsyoutubeoRjU7KM_PB0t=302
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull Aprendizaje Automaacutetico y Redes Neuronales Artificiales (RNA) aplicadas en problemas de bull Reconocimiento de patrones bull Clasificacioacuten estaacutetica y temporal bull Prediccioacuten bull Disentildeo de RNA para soluciones ldquoa la medidardquo bull Modelos de aprendizaje para redes neuronales profundas
bull Otras aacutereas de aplicadas a dichos problemas (ejemplo Loacutegica Difusa Procesamiento de Sentildeales e imaacutegenes)
bull Teacutecnicas para procesamiento de sentildeales
(C) Pilar Goacutemez-Gil INAOE 2019 9
Mis aacutereas de intereacutes
Grupo PSIC algunos colaboradores y amigos
ψυχ
CLASIFICANDO EEGrsquoshellip iquestRealmente es posible leer la mente
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Un ejemplohellip
bull Seguacuten Andersen (2019) las BMI del tipo que ldquoleen la actividad cerebralrdquo auacuten estaacuten en un estado de desarrollo
bull Las BMI basadas en EEGrsquos o fMRIrsquos tienen muy poca exactitud los mejores resultados se han logrado con dispositivos incrustados directamente en la corteza cerebral
bull En 2013 Anderson y su equipo de trabajo consiguioacute que un paciente tetrapleacutejico voluntarios del proyecto pudiera tomar cerveza sin la ayuda de nadie a traveacutes de una BMI controlando un brazo roboacutetico con sus sentildeales EEG
Estado actual de las Interfaces maacutequina-computadora (BMI) o interfaces cerebro-computadora (BCI)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Conferencia en Youtube de Teds presentada por Andersen en 2013 ndash minuto 0502 moviendo el brazo roboacutetico
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpsyoutubeoRjU7KM_PB0t=302
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Grupo PSIC algunos colaboradores y amigos
ψυχ
CLASIFICANDO EEGrsquoshellip iquestRealmente es posible leer la mente
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Un ejemplohellip
bull Seguacuten Andersen (2019) las BMI del tipo que ldquoleen la actividad cerebralrdquo auacuten estaacuten en un estado de desarrollo
bull Las BMI basadas en EEGrsquos o fMRIrsquos tienen muy poca exactitud los mejores resultados se han logrado con dispositivos incrustados directamente en la corteza cerebral
bull En 2013 Anderson y su equipo de trabajo consiguioacute que un paciente tetrapleacutejico voluntarios del proyecto pudiera tomar cerveza sin la ayuda de nadie a traveacutes de una BMI controlando un brazo roboacutetico con sus sentildeales EEG
Estado actual de las Interfaces maacutequina-computadora (BMI) o interfaces cerebro-computadora (BCI)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Conferencia en Youtube de Teds presentada por Andersen en 2013 ndash minuto 0502 moviendo el brazo roboacutetico
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpsyoutubeoRjU7KM_PB0t=302
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
CLASIFICANDO EEGrsquoshellip iquestRealmente es posible leer la mente
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Un ejemplohellip
bull Seguacuten Andersen (2019) las BMI del tipo que ldquoleen la actividad cerebralrdquo auacuten estaacuten en un estado de desarrollo
bull Las BMI basadas en EEGrsquos o fMRIrsquos tienen muy poca exactitud los mejores resultados se han logrado con dispositivos incrustados directamente en la corteza cerebral
bull En 2013 Anderson y su equipo de trabajo consiguioacute que un paciente tetrapleacutejico voluntarios del proyecto pudiera tomar cerveza sin la ayuda de nadie a traveacutes de una BMI controlando un brazo roboacutetico con sus sentildeales EEG
Estado actual de las Interfaces maacutequina-computadora (BMI) o interfaces cerebro-computadora (BCI)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Conferencia en Youtube de Teds presentada por Andersen en 2013 ndash minuto 0502 moviendo el brazo roboacutetico
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpsyoutubeoRjU7KM_PB0t=302
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Un ejemplohellip
bull Seguacuten Andersen (2019) las BMI del tipo que ldquoleen la actividad cerebralrdquo auacuten estaacuten en un estado de desarrollo
bull Las BMI basadas en EEGrsquos o fMRIrsquos tienen muy poca exactitud los mejores resultados se han logrado con dispositivos incrustados directamente en la corteza cerebral
bull En 2013 Anderson y su equipo de trabajo consiguioacute que un paciente tetrapleacutejico voluntarios del proyecto pudiera tomar cerveza sin la ayuda de nadie a traveacutes de una BMI controlando un brazo roboacutetico con sus sentildeales EEG
Estado actual de las Interfaces maacutequina-computadora (BMI) o interfaces cerebro-computadora (BCI)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Conferencia en Youtube de Teds presentada por Andersen en 2013 ndash minuto 0502 moviendo el brazo roboacutetico
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpsyoutubeoRjU7KM_PB0t=302
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull Seguacuten Andersen (2019) las BMI del tipo que ldquoleen la actividad cerebralrdquo auacuten estaacuten en un estado de desarrollo
bull Las BMI basadas en EEGrsquos o fMRIrsquos tienen muy poca exactitud los mejores resultados se han logrado con dispositivos incrustados directamente en la corteza cerebral
bull En 2013 Anderson y su equipo de trabajo consiguioacute que un paciente tetrapleacutejico voluntarios del proyecto pudiera tomar cerveza sin la ayuda de nadie a traveacutes de una BMI controlando un brazo roboacutetico con sus sentildeales EEG
Estado actual de las Interfaces maacutequina-computadora (BMI) o interfaces cerebro-computadora (BCI)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Conferencia en Youtube de Teds presentada por Andersen en 2013 ndash minuto 0502 moviendo el brazo roboacutetico
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpsyoutubeoRjU7KM_PB0t=302
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Conferencia en Youtube de Teds presentada por Andersen en 2013 ndash minuto 0502 moviendo el brazo roboacutetico
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpsyoutubeoRjU7KM_PB0t=302
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Conferencia en Youtube de Teds presentada por Andersen en 2013 ndash minuto 0502 moviendo el brazo roboacutetico
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
httpsyoutubeoRjU7KM_PB0t=302
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Fotografiacutea tomada de (Andersen 2019)
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Reconocimiento de patrones Inteligencia Artificial y otros trucoshellip
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull Sentildeal que puede ser medida y monitoreada de manera continua proveniente de un organismo viviente
Biosentildeal (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Juaacuterez-Guerra et al 2019)
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Otros ejemplos de biosentildeales (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
20
Espectro Raman con diferentes concentraciones de glucosa (Castro-Ramos et al 2017)
Electrocardiograma httpsfisiosaludablecomconceptos247-electrocardiograma
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Sistema internacional de colocacioacuten de electrodos 10-20
Ejemplos de dispositivos de captura de sentildeales EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
EMOTIVndashEPOC httpsemotivcomsupportphp
Amplifier-EEG GHlamp httpwwwgtecat
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
Pasos de un Clasificador (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
iquestDesempentildeo aceptable
Analizar los datos y el contexto del problema
Fin
Definirajustar teacutecnicas de pre-procesamiento
Definirajustar teacutecnicas de reconocimiento
Definirajustar teacutecnicas de extraccioacuten de caracteriacutesticas
Validar el reconocedor
Inicio
SI NO
Disentildeando un clasificador
23
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Goacutemez Gil et al 2017)
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull BMI o BCI
bull Verificadores de identidad (Biometriacutea)
bull Identificacioacuten del estado emocional
bull Medicioacuten de niveles de concentracioacuten
bull Medicioacuten de niveles de cansancio
bull Identificacioacuten y prediccioacuten de ataques epileacutepticos
bull Sistemas retro-alimentadores en Fisioterapia
Ejemplos de clasificadores basados en EEG (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
Aunque algunos los sistemas BCI se usan en situaciones reales actualmente son poco exactos propensos a fallas y requieren usuarios altamente entrenados
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Adquisicioacuten y conversioacuten digital
Pre-procesamiento
Extraccioacuten de Caracteriacutesticas
Reconocimiento
Decisioacuten
ldquoperrordquo
El gran problema ingenieril extraer caracteriacutesticas (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(Goacutemez Gil et al 2017)
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
El gran problema ingenieril extraer caracteriacutesticas (22)
26
0 100 200 300 400 500 600 700 800 900-2
0
2
Time
Fre
quency
0 1 2 3 4 5 6 7
0
10
20
30
40
50
60
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull Una sentildeal digital es un conjunto de magnitudes fiacutesicas medidas en un punto o intervalo de tiempo o espacio determinado
bull El procesamiento digital de sentildeales cubre teoriacutea teacutecnicas y algoritmos que permiten aplicar transformaciones matemaacuteticas en las sentildeales digitales a fin de obtener informacioacuten contenida en ellas
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Procesamiento Digital de Sentildeales
(Goacutemez Gil et al 2017)
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull Es la habilidad de los sistemas autoacutenomos (agentes) como computadoras robots y otros dispositivos para realizar actividades comuacutenmente asociadas a los seres humanos (Coperland 2019)
bull Algunos ejemplos de estas actividades son la toma de decisiones controlar procesos reconocer e interpretar patrones maniobrar de manera autoacutenoma vehiacuteculos o robots en un ambiente desconocido (Kruse et al 2013)
iquestQueacute es inteligencia Artificial (12) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull Es el conjunto de paradigmas y meacutetodos inspirados en la naturaleza para la solucioacuten de problemas complejos donde los meacutetodos tradicionales no son efectivos o no pueden aplicarse
bull Cubre principalmente las aacutereas de Redes Neuronales Computacioacuten Evolutiva y Loacutegica Difusa Tambieacuten incluye inteligencia de enjambres sistemas artificiales y otros campos de Aprendizaje de Maacutequina
bull Los algoritmos usados en inteligencia computacional son muy diferentes a los ldquoconvencionalesrdquo
bull Las teacutecnicas de IC se utilizan ampliamente en la actualidad para la construccioacuten de clasificadores de sentildeales digitales
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Inteligencia Computacional
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull Es el proceso por el cual una computadora puede generar automaacuteticamente programas a partir de datos
bull El proceso de aprendizaje automaacutetico requiere de una adecuada representacioacuten de datos asiacute como de procesos efectivos de evaluacioacuten y de optimizacioacuten
bull Estos algoritmos son base para la inteligencia computacional (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
30
Aprendizaje automaacutetico
(Domingos 2012)
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull Son modelos matemaacuteticos capaces de adaptar su comportamiento en respuesta a ejemplos tomados del medio ambiente
bull Estaacuten inspiradas en la construccioacuten del cerebro y las neuronas bioloacutegicas
bull Sus componentes son procesadores simples que funcionan de forma paralela y distribuida
bull Pueden almacenar y utilizar ese conocimiento adquirido de la experiencia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Emulando al cerebro Redes Neuronales Artificiales (RNA)
(Haykin 2009)
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
BCIrsquos y otras aplicaciones
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull Una BCI es un sistema artificial que se ldquosaltardquo los impulsos en el cuerpo humano que van del sistema nervioso central a los muacutesculos
bull Una BCI ldquomiderdquo la actividad cerebral asociada a la ldquointencioacutenrdquo de un usuario trasladaacutendola en comandos de control
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es una BCI (Graimann et al 2010)
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Niveles de deteccioacuten de la actividad cerebral
34
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Graimann et al 2010)
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Tipos de sentildeales mentales para controlar BCIrsquos (12)
35
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Ramadan amp Vasilakos 2017)
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Blinky un identificador de comandos
36
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9 Sensing and pre-
processing Feature
extractionndash wavelet modeling
Neural net classifier
Robot coding
(Lopez-Espejel 2015)
Mejor caso 84 de reconocimiento utilizando 5 caracteriacutesticas
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
EEG durante el parpadeo de ojos
37
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Right eye
Left eye Both eyes
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Implementacioacuten de BCI en tiempo real usando sistemas de bajo costo
38
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Hernandez-Gonzalez 2017)
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Otros ejemplos de clasificacioacuten usando EEG
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
iquestQueacute es aprendizaje profundo
bull En el contexto de Inteligencia Artificial (IA) ldquoaprendizaje profundordquo (Deep Learning o DL) se refiere a la actividad automaacutetica de adquisicioacuten de conocimiento a traveacutes del uso de maacutequinas que usan varios niveles para la extraccioacuten
bull El adjetivo ldquoprofundordquo se aplica no en siacute al conocimiento adquirido sino a la forma en que el conocimiento se adquiere
40
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Foto tomada de httpwwwkodemakernodeeplearning
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Arquitectura de la red profunda RecResNet para identificacioacuten de carga cognitiva
Two fully connected layers with
dropout as regularizer
Recurrent layer based on
units GRU in addition we
use dropout
Residual block two
convolutional layers and
a skip connection
Batch Normalization as
regularizer
Strategies for regularization
hellip L1
C2
C3
C4
C5
S6
R7
F8
F9
O10
hellip
Conv 1x3x3 Stride 1x1x1 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 tanh
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Conv 1x3x3 Stride 1x2x2 ReLU
BatchNorm
Sum ReLU
128 GRUs dropout
FC 100 units ReLU dropout
Softmax classifier
FC 100 units ReLU dropout Fully
Connected
Layers
Recu-
rrent
Layer
Convolutio
nal Layers
Residu
al
block
(Jimeacutenez amp Goacutemez-Gil 2017)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Clasificacioacuten de sentildeales epileacutepticas estados ldquoIctalrdquo ldquoInter-Ictalrdquo y ldquosin-convulsioacutenrdquo
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
(Juaacuterez-Guerra et al 2019)
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Extraccioacuten de Caracteriacutesticas usando la transformada discreta wavelet (DWT)
43 (Juaacuterez-Guerra 2019)
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Red recurrente MRW-FFWNN para clasificacioacuten de epilepsia
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
44 (Juaacuterez-Guerra 2019)
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
Hot topic Uso de EEG para biometriacutea (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
45
(Zapata et al 2017)
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull Las sentildeales cerebrales contienen gran cantidad de informacioacuten pero sigue siendo un misterio coacutemo la representa el organismo
bull El uso praacutectico de algunas aplicaciones para BCI y otros ejemplos de clasificacioacuten es limitado Los casos de eacutexito sin requieren usuarios altamente entrenados sensores confiables asiacute como excelentes y cuidadosamente programadas teacutecnicas de clasificacioacuten y entrenamiento
bull Las redes neuronales de aprendizaje profundo ofrecen buenas expectativas para extraccioacuten automaacutetica de caracteriacutesticas
bull Se requiere mucha investigacioacuten en el aacuterea
Conclusiones y perspectivas (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull Andersen Richard The Intention Machine A new generation of brain-machine interface can deduce what a person wants Scientific American Vol 320 No 4 April 2019 pp 26-31-
bull Castro-Ramos J Villa-Manriacutequez JF Goacutemez-Gil P Gonzaacutelez-Viveros N Narea F Saacutenchez-Escobar JJ Muntildeoz-Loacutepez J ldquoA first step to detect glucose levels in vivo by means of Raman spectroscopy support vector machine and principal component analysisrdquo 6o Congreso de Oacuteptica Aplicada Yuridia Gto Mx Nov 2017
bull BJ Copeland ldquoArtificial intelligencerdquo Encyclopaeligdia Britannica Encyclopedia Britannica publicado May 09 2019 accesado Octubre 21 2019 URL httpswwwbritannicacomtechnologyartificial-intelligence
bull Domingos Pedro ldquo The Five Tribes of Machine Learning (And What You Can Learn from Each)rdquo Webminar produced by the Association of Computing Machinery (ACM) Dec 29 2015 Available at httpswwwyoutubecomwatchv=E8rOVwKQ5-8
bull Goacutemez-Gil P Guzmaacuten Arenas A Orihuela-Espina F Bribiesca E Rascoacuten C ldquoAnaacutelisis de Sentildeales y Reconocimiento de Patrones Cap 7 en ldquoLa computacioacuten en Meacutexico por Especialidades Acadeacutemicasrdquo Pineda-Corteacutes L Editor Academia Mexicana de la Computacioacuten AC 2017
bull Graimann B Allison B amp Pfurtscheller G (2010) Brainndashcomputer interfaces A gentle introduction In Brain-Computer Interfaces (pp 1-27) Springer Berlin Heidelberg
Para saber mashellip 13 (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull Haykin Simon Neural Networks and Learning Machines Third Edition New York Pearson 2009
bull Hernaacutendez-Gonzalez E ldquo Programacioacuten de Interfaces Cerebro Computadora aplicando anaacutelisis multivariable y redes neuronales con el fin de ayudar a personas cuadripleacutejicasrdquo Reporte de avance interno Residencias Profesionales Instituto Tecnoloacutegico Superior de Teziutlaacuten ldquo Nov 2017
bull Jimeacutenez-Guarneros M and P Goacutemez-Gil Cross-subject classification of cognitive loads using a recurrent-residual deep network 2017 IEEE Symposium Series on Computational Intelligence (SSCI)rdquo Honolulu HI 2017 pp 1-7 doi 101109SSCI20178280897
bull E Juaacuterez-Guerra V Alarcon-Aquino P Goacutemez-Gil J M Ramiacuterez-Corteacutes E S Garciacutea-Trevintildeo A New Wavelet-Based Neural Network for Classification of Epileptic-Related States using EEG Journal of Signal Processing Systems Published on line at 2019-05-17 DOI 101007s11265-019-01456-7 httpsrdcubebCZwU
bull KruseR C Moewes Borgelt M Steinbrecher F Klawonn P Held Computational Intelligence a methodological introduction Springer London 2013 URL httplinkspringercombook1010072F978-1-4471-5013-8
bull Loacutepez-Espejel Jessica N ldquoControl de movimiento de objetos a traveacutes del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costordquo Tesis para obtener el tiacutetulo de Licenciada en Ingenieriacutea en Ciencias de la Computacioacuten Benemeacuterita Universidad Autoacutenoma de Puebla Puebla Meacutexico
Para saber mashellip (23) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
bull R A Ramadan A V Vasilakos ldquoBrain computer interface control signals reviewrdquo Neurocomputing Vol 223 2017 pp 26-44 httpsdoiorg101016jneucom201610024
bull JC Zapata CM Duque Y Rojas-Idarraga ME Gonzalez JA Guzmaacuten and MA Becerra Botero ldquoData Fusion Applied to Biometric Identification ndash A Review (2017) Fuente Springer International Publishing AG 2017
Para saber mashellip (33) (C
) P
ilar
Goacute
mez
-Gil
INA
OE
20
19
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
(C)
Pila
r G
oacutem
ez-G
il IN
AO
E 2
01
9
pgomezinaoepmx httpcccinaoepmx~pgomez
Esta presentacioacuten estaacute disponible en httpscccinaoepmx~pgomezconferencesPggCENI19pdf
top related