PROTOTIPO PARA LA IDENTIFICACIÓN DE CAMBIOS VISUALES EN EJERCICIOS DE ESTIMULACIÓN BIOELÉCTRICA NEURONAL

DIEGO IVÁN FONSECA CONDE

MISAEL ARMANDO GUTIÉRREZ GUTIÉRREZ

UNIVERSIDAD CATÓLICA DE COLOMBIA FACULTAD DE INGENIERÍA

PROGRAMA DE INGENIERÍA DE SISTEMAS BOGOTÁ, D.C.

2014

PROTOTIPO PARA LA IDENTIFICACIÓN DE CAMBIOS VISUALES EN EJERCICIOS DE ESTIMULACIÓN BIOELÉCTRICA NEURONAL

DIEGO IVÁN FONSECA CONDE

MISAEL ARMANDO GUTIÉRREZ GUTIÉRREZ

TRABAJO DE GRADO

Director HOLMAN DIEGO BOLÍVAR BARÓN Ph.D

Ingeniero de Sistemas

UNIVERSIDAD CATÓLICA DE COLOMBIA PROGRAMA DE INGENIERÍA DE SISTEMAS

FACULTAD DE INGENIERÍA BOGOTÁ, D.C.

2014

3

Nota de aceptación: Aprobado por el comité de grado en cumplimiento de los requisitos exigidos por la Facultad de Ingeniería y la Universidad Católica de Colombia para optar al título de Ingeniero de Sistemas.

__________________________________ Ingeniero Holman Diego Bolívar

Director .

_________________________________ Ingeniero Carlos Alberto Pulido Revisor Metodológico . Bogotá D. C. 19 de noviembre 2014

4

A cada una de las personas que en el discurrir del tiempo dejaron marca importante en nuestras vidas, y a todas aquellas que siempre estuvieron dispuestas a brindarnos su apoyo.

5

AGRADECIMIENTOS El presente trabajo de tesis primeramente me gustaría agradecerte a ti Dios por bendecirme para llegar hasta donde he llegado, porque hiciste realidad este sueño anhelado. A la UNIVERSIDAD CATOLICA DE COLOMBIA por darme la oportunidad de estudiar y ser un profesional. De igual manera agradecer a mí director de tesis, Holman Diego Bolívar Barón por su esfuerzo y dedicación, quien con sus conocimientos, su experiencia, su paciencia y su motivación ha logrado en mí que pueda terminar mis estudios con éxito. A nuestros padres Leónidas Gutierrez Bonilla e Ivan Fonseca Jimenez, gracias por tu apoyo, por iluminar mi camino y darme la pauta para poder realizarme en mis estudios y mi vida. Agradezco los concejos sabios que en el momento exacto has sabido darme para no dejarme caer y enfrentar los momentos difíciles, por ayudarme a tomar las decisiones que me ayuden a balancear mi vida y sobre todo gracias por el amor tan grandes que me das. A nuestras madres Mercedes Gutierrez Pita y Anacely Conde Ramirez, tu eres la persona que siempre me ha levantado los ánimos tanto en los momentos difíciles de mi vida estudiantil como personal. Gracias por tu paciencia y esas palabras sabias que siempre tienes para mis enojos, mis tristezas y mis momentos felices, por ser mi amiga y ayudarme a cumplir mis sueños, te amo Mucho. A mis hermanos (as), primos, tíos, novias y pariente por su apoyo incondicional en cada proceso de mi vida. Gracias por cada consejo, regaño y jalón de orejas que hoy en día dan fruto en este gran logro que tiene mucho de ustedes. Un agradecimiento especial a mi novia Leidy Lizeth Riaño Cuervo, por siempre estar a mi lado en las buenas y en las malas; por su comprensión, paciencia, apoyo y amor, dándome ánimos de fuerza y valor para seguir a delante. A todos mis amigos y compañeros de la carrera, en cada uno de ustedes hay una persona muy especial. He aprendido y disfrutado con ustedes mis horas de estudio, gracias por la ayuda cuando en ocasiones me he sentido perdido y por esa amistad sincera. Los voy a extrañar. Son muchas las personas que han formado parte de mi vida profesional a las que me encantaría agradecerles su amistad, consejos, apoyo, ánimo y compañía en los momentos más difíciles de mi vida. Algunas están aquí conmigo y otras en mis recuerdos y en mi corazón, sin importar en donde estén quiero darles las gracias por formar parte de mí, por todo lo que me han brindado y por todas sus bendiciones. Para ellos: Muchas gracias y que Dios los llene de bendiciones.

6

CONTENIDO

INTRODUCCIÓN 15

1 PLANTEAMIENTO DEL PROBLEMA 17

2 OBJETIVOS 22

2.1 OBJETIVO GENERAL 22

2.2 OBJETIVOS ESPECÍFICOS 22

3 MARCO REFERENCIAL 23

3.1 MARCO CONCEPTUAL 23

3.1.1 Anatomía cerebral. 23

3.1.2 Encefalografía (EEG 26

3.1.3 Interfaz Cerebro Computador 29

3.1.4 Reconocimiento de imágenes. 32

3.2 MARCO TEÓRICO 40

3.2.1 Modelos De Aplicación 40

3.2.2 Plataformas Utilizadas en la implementación de brain computer interface. 41

3.2.3 Aplicaciones de Brain computer interfaces 45

4 METODOLOGÍA 46

4.1 MODELO DE CICLO DE VIDA DEL SOFTWARE EN ESPIRAL 46

4.2 ESPECIFICACIÓN DE FLUJO DE TRABAJO 46

4.3 ADAPTACIÓN DE LA METODOLOGÍA 47

4.3.1 Proceso de obtención de requerimientos. 47

4.3.2 Proceso análisis de requerimientos 48

4.3.3 Proceso de especificación de requerimientos. 48

4.3.4 Proceso de validación de requerimientos. 48

4.3.5 Proceso de diseño. 48

4.3.6 Proceso de Modelamiento. 48

4.3.7 UML. 49

4.3.8 Proceso de construcción 49

4.3.9 Proceso de pruebas. 49

7

5 CONCEPCIÓN DEL PROTOTIPO PARA LA IDENTIFICACIÓN DE CAMBIOS VISUALES EN EJERCICIOS DE ESTIMULACIÓN BIOELECTRICA NEURONAL. 51

5.1 ESPECIFICACIÓN DE FUNCIONALIDAD DEL PROTIPO 51

5.2 ESPECIFICACIÓN DE INTERACCIÓN DEL PROTOTIPO 52

5.3 ESPECIFICACION DE RELACIÓN DEL PROTOTIPO 54

5.4 ESPECIFICACIÓN DE LA COMUNICACIÓN DEL PROTOTIPO 56

5.5 ESPECIFICACIÓN DEL COMPORTAMIENTO PARA EL PROTOTIPO 57

5.6 ESPECIFICACIÓN DE MAQUINAS DE ESTADO PARA EL PROTOTIPO 58

6 PROTOTIPO PARA LA IDENTIFICACIÓN DE CAMBIOS VISUALES EN EJERCICIOS DE ESTIMULACIÓN BIOELÉCTRICA NEURONAL 59

7 PRUEBAS DEL PROTOTIPO PARA LA IDENTIFICACIÓN DE CAMBIOS VISUALES EN EJERCICIOS DE ESTIMULACIÓN BIOELÉCTRICA NEURONAL 62

7.1 PRUEBA DE PROTOTIPO DOS 62

7.2 PRUEBA DE PROTOTIPO DOS. 63

7.3 PRUEBA DE PROTOTIPO TRES. 64

7.4 PRUEBAS DE PLATAFORMA DEL PROTOTIPO 66

7.4.1 Linux 66

7.4.2 Windows 66

8 CONCLUSIONES 67

BIBLIOGRAFÍA 68

ANEXOS 73

8

LISTA DE FIGURAS

Figura 1. Divisiones corticales según Brodmann 23

Figura 2. Circunvoluciones o pliegues cerebrales 24 Figura 3. Lóbulos Cerebrales. 25 Figura 4. Imagen Transversal del cerebro. 26 Figura 5. Figura Primer laboratorio y equipo EEG 27 Figura 6. Ambiente Grafico Suite Sinestesia 32

Figura 7. Ambiente grafico Suite Motora 32 Figura 8.Imagen Digital 33 Figura 9. Funciones de punto y vecindad 34

Figura 10. Efecto de volumen parcial. 37 Figura 11. Cubo de color RGB 37 Figura 12.Conversión CMY a RGB 38

Figura 13.Imagen original b. plano de rojo c. plano de verde d. plano de azul 39 Figura 14. Modelo RGB al YIQ 39 Figura 15. Esquema de una neurona 41

Figura 16. Diagrama de Actividades 47 Figura 17. Resultado pruebas de caja negra. 50

Figura 18.Diagrama de casos de uso 52 Figura 19. Diagrama de clases. 55 Figura 20. Diagrama de secuencias 56

Figura 21 Diagrama de actividad de la captación de imágenes. 57 Figura 22.Diagrama de máquinas de estado 1. 58

Figura 23. Ventana principal. 59 Figura 24. Prototipo de pantalla de frecuencia. 59

Figura 25. Prototipo de pantalla intervalo. 60 Figura 26. Prototipo de ubicación de imágenes. 60 Figura 27. Prototipo de pantalla ejecución. 61

Figura 28. Imagen 1 para prueba uno. 62 Figura 29. Imagen 2 para prueba uno. 62 Figura 30. Resultado obtenido por el prototipo prueba uno. 63 Figura 31. Imagen1 para prueba dos 63

Figura 32. Imagen 2 para prueba 2. 64 Figura 33. Resultados obtenido por el prototipo prueba dos 64 Figura 34. Imagen 1 para prueba 3. 65

Figura 35. Imagen 2 para prueba 3 65 Figura 36.Resultados obtenido por el prototipo prueba tres. 65

9

LISTA DE TABLAS Tabla 1.Descripción de plataformas brain computer interface 42

Tabla 2. Comparación de SO de las diferentes plataformas BCI 45 Tabla 3. Requerimientos Funcionales 48 Tabla 4. Tipos de diagramas utilizados. 49 Tabla 5. Requerimientos funcionales 51 Tabla 6.Especificación requerimiento realizar captura de pantalla 51

Tabla 7. Especificación caso de uso Seleccionar dimensiones. 53

10

LISTA DE ANEXOS ANEXO A. REQUERIMIENTOS FUNCIONALES 73

ANEXO B. ESPECIFICACIÓN DE INTERACCIÓN 77 ANEXO C. ESPECIFICACIÓN DE COMUICACIÓN 91 ANEXO D. ESPECIFICACIÓN DE COMPORTAMIENTO 93 ANEXO E. ESPECIFICACIÓN DE MÁQUINAS DE ESTADO 95

11

GLOSARIO API: Interfaz de Programación de Aplicaciones. Grupo de rutinas (conformando una interfaz) que provee un sistema operativo, una aplicación o una biblioteca, que definen cómo invocar desde un programa un servicio que éstos prestan. En otras palabras, una API representa un interfaz de comunicación entre componentes software. ARDUINO: Es una plataforma de hardware libre, basada en una placa con un microcontrolador y un entorno de desarrollo, diseñada para facilitar el uso de la electrónica en proyectos multidisciplinares. BCI: Es una herramienta electrónica que permite la comunicación del cerebro con el entorno que lo rodea, pudiéndose lograr mediante la visualización de la actividad bioeléctrica cerebral, sin ningún tipo de ayuda de actividad motora. CEREBRO HUMANO: es el centro del sistema nervioso, es un órgano muy complejo y realiza complejas e importantes funciones. COMPONENTE: Código fuente o código objeto, que puede estar escrito en un lenguaje funcional, procedural u orientado a objetos, que puede ser tan simple como un botón GUI o tan complejo como un subsistema. DATO: Información dispuesta de manera adecuada para su tratamiento por un ordenador. ENCEFALOGRAMA: Es un análisis que se utiliza para detectar anomalías relacionadas con la actividad eléctrica del cerebro. Este procedimiento realiza un seguimiento de las ondas cerebrales y las registra. HEMISFERIO CEREBRAL: Es cada una de las dos estructuras que constituyen la parte más grande del encéfalo. Son inversos el uno del otro, pero no inversamente simétricos, son asimétricos, como los dos lados de la cara del individuo. Una cisura sagital profunda en la línea media (la cisura inter-hemisférica o longitudinal cerebral) los divide en hemisferio derecho y hemisferio izquierdo. IMAGEN DIGITAL: Es una representación bidimensional de una imagen a partir de una matriz numérica, frecuentemente en binario (unos y ceros). Dependiendo de si la resolución de la imagen es estática o dinámica, puede tratarse de una imagen matricial (o mapa de bits) o de un gráfico vectorial. El mapa de bits es el formato más utilizado en informática.

12

LÓBULO FRONTAL: situado en la parte anterior, por delante de la cisura de Rolando. Este da la capacidad de moverse (corteza motora), de razonar y resolución de problemas, parte del lenguaje y emociones. LÓBULO OCCIPITAL: es el casquete posterior cerebral, que en muchos animales tiene límites bien definidos, pero que en el hombre ha perdido su identidad anatómica. Encargado de la producción de imágenes. LÓBULO PARIETAL: se halla por detrás de la cisura de Rolando y por encima de la cisura lateral; por detrás limita con la imaginaria cisura perpendicular externa. Encargado de las percepciones sensoriales externas (manos, pies, etc.): sensibilidad, tacto, percepción, presión,temperatura y dolor. LÓBULO TEMPORAL: localizado frente al lóbulo occipital, situado por debajo y detrás de la cisura de Silvio, aproximadamente detrás de cada sien, desempeña un papel importante en tareas visuales complejas como el reconocimiento de caras. Está encargado de la audición, equilibrio y coordinación. Es el «centro primario del olfato» del cerebro. También recibe y procesa información de los oídos contribuye al balance y el equilibrio, y regula emociones y motivaciones como la ansiedad, el placer y la ira. LOBULO: Es una parte de la corteza cerebral que subdivide el cerebro según sus funciones. ONDA CEREBRAL: Es la actividad eléctrica producida por el cerebro. Estas ondas pueden ser detectadas mediante el electroencefalógrafo y se clasifican en ondas delta, ondas theta, ondas alpha, ondas beta Y ondas gamma. ONDA ELECTROMAGNETICA: Onda producida por cargas eléctricas en movimiento. PIXEL: Un pixel es el bloque mínimo de homogéneo que hace parte de una fotografía digital. Cada bloque que se despliega en un dispositivo se llama pixel. Los pixeles particularmente se e pueden encontrar en las imágenes como diminutos recuadros en escala de grises. En el momento que es establecida una imagen esta toman la forma de matriz cuadrangular de pixeles, donde la unión de miles o millones de diminutos pixeles conforman la imagen total. RGB: Es un modelo de color basado en la síntesis aditiva, con el que es posible representar un color mediante la mezcla por adición de los tres colores de luz primarios. El modelo de color RGB no define por sí mismo lo que significa exactamente rojo, verde o azul, por lo que los mismos valores RGB pueden mostrar colores notablemente diferentes en diferentes dispositivos que usen este modelo de color.

13

RESUMEN A partir de la investigación realizada en libros, artículos y páginas web respectivos a la estimulación bioeléctrica neuronal y BCI, es importante resaltar que hasta el momento existen software enfocados en la captación de las ondas eléctricas cerebrales, pero no en el análisis de las ondas electromagnéticas captadas en corteza cerebral. El objetivo de la investigación es implementar y validar un prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal, que permita al personal capacitado identificar en las imágenes analizadas, los cambios significativos de un infante con problemas de atención y memoria de trabajo. Se realizaron tres pruebas con el prototipo para validar el análisis de las imágenes captadas y comprobar su exactitud; comparando dos captaciones idénticas con una única diferencia, que la segunda imagen vario 180 grados con respeto a la primera imagen. Palabras Clave: Procesamiento de datos, Cerebro, Programa de ordenador, Recopilación de datos, Onda electromagnética.

14

ABSTRACT From research in books, articles and respective web sites to stimulation bioelectric neuronal and BCI, it is important to highlight that there are currently software focused in capturing brain electrical waves, but not on the analysis of the electromagnetic waves captured in cerebral cortex. The objective of the research is to implement and validate a prototype for the identification of Visual changes in periods of stimulation neuronal bioelectric, enabling trained personnel to identify in the analyzed images, the significant changes in an infant with problems of attention and working memory. Three tests with the prototype were conducted to validate the analysis of the captured images and check their accuracy; comparing two identical catchments with only one difference, that the second various image 180 degrees with respect to the first image. Key Words: data processing, Brain, Computer Software, Data collection, Electromagnetic waves

15

INTRODUCCIÓN La niñez es considerada como una de las etapas críticas en el desarrollo humano, en parte por la madurez cerebral donde se generan cambios significativos que repercuten en los aprendizajes posteriores y por ende en el proceso de adaptación de los individuos a su entorno1. El síndrome por déficit de atención con hiperactividad TDAH pretende que las sintomatologías que causan transformaciones o déficit se encuentren presentes en más de un contexto, como en el trabajo o colegio y en el hogar. Esto involucra que la información que el origen de la información provenga de varios pacientes.2 El EEG, consiste en obtener una grabación de medios digitales, basándose en el hardware de computadoras, con almacenamiento en forma de ondas electromagnéticas que permiten la visualización en un dispositivo de salida de computadora3. Como instrumento del EEG, la estimulación cognitiva es un área de estudio de intervención psicológica que compone todo un conjunto de métodos y habilidades sistemáticas, estandarizadas que tienen por esencia activar y entrenar las distintas capacidades y funciones cognitivas (terapia de orientación a la realidad, terapia de reminiscencia, programas de psicoestimulación) de una persona con el fin de mejorar sus capacidades4. Por otro lado el neurofeedback, permite dar realimentación a los procesos internos del cuerpo a través de señales visuales y auditivas, es un tratamiento científico que permite entrenar el cerebro con el fin de mejorar y autorregular de una manera voluntaria la actividad involuntaria del mismo. Este método actúa en el funcionamiento del cerebro, procede cuando le transmite la información necesaria para que su actividad sea regulada. En muchos pacientes el cerebro no procesa la información en el momento adecuado y por lo tanto no la comunica correctamente al cuerpo por lo cual el uso del neurofeedback se hace protagonista en el tratamiento de pacientes con esa patología5. Las interfaz cerebro computador por su parte, “son sistemas que decodifican las señales neuronales generadas intencionalmente por un sujeto, para traducirlas en órdenes para el computador, con el fin de conducir un actuador. Aunque no es una tecnología nueva, en los últimos años ha evolucionado a pasos agigantados”6 y

1ELLIOT, R.Executive Functions and their disorders. British Medical Bulletin, 2003. p. 49–59. 2 CAMPOS, J, et al. Estructura factorial y datos descriptivos del perfil de atención y del cuestionario TDAH para niños en edad escolar. Psicothema, 2006, vol. 18, no 4, p. 1. 3 BUDZYNSKI, T., et al. (ed.). Introduction to quantitative EEG and neurofeedback: Advanced theory and applications. Academic Press, 2009. p.29-30. 4 FRANCÉS, I., et al. Estimulación psicocognoscitiva en las demencias. EnAnales del sistema sanitario de Navarra. 2003. P.408 – 412. 5 GONZÁLEZ, P. et al. Atención y activación. Aula abierta, 1999, vol. 73, p. 21-38. 6 PEREIRA, G, et al. Control vía Internet de un Robot ubicado en un sitio remoto aplicando una Interfase Cerebro-Máquina. En XVII Congreso Argentino de Ciencias de la Computación. 2011. p. 4.

16

“está compuesta por micro-electrodos incrustados quirúrgicamente en la corteza cerebral, permitiendo con ello el uso de la actividad neuronal para controlar dispositivos con suficiente velocidad y agilidad para reemplazar movimientos naturales, y animar movimientos en personas paralizadas.”7 Los BCI (Brain Computer interface) son herramientas electrónicas que permite la comunicación del cerebro con el entorno que lo rodea, pudiéndose lograr mediante la visualización de la actividad bioeléctrica cerebral, sin ningún tipo de ayuda de actividad motora. Las ondas provenientes de la actividad cerebral pueden obtenerse de manera invasiva o no invasiva, para ésta última, la actividad es adquirida por medio de un dispositivo de electrodos acentuados estratégicamente en el cuero cabelludo. Con el fin de procesar la información que el BCI captó para poder analizar la señal arrojada por medio de la interfaz y así poder determinar el estado actual del paciente8. El trabajo esta principalmente centrado en un prototipo que creara un impacto en plataformas BCI (Brain computer interface) debido a que busca solucionar un problema en específico en áreas de la salud mental que soporten las etapas importantes del desarrollo cognitivo de los infantes. Trabajando al lado de un prototipo para para la identificación de cambios visual en ejercicios de estimulación bioeléctrica neuronal. A través de un BCI ubicado en la corteza cerebral, es obtenida la actividad neuronal por medio de un conjunto de sensores; la actividad es causada por un estímulo y plasmada en un monitor. Todo el movimiento ejercido en los hemisferios del cerebro es capturado por el software en un intervalo de tiempo específico y plasmado en imágenes. Posteriormente la imagen se fragmenta en cuatro cuadrantes, allí el software se encarga de comparar cada cuadrante y los analiza por separado mediante un algoritmo que recorre pixel a pixel. Cuando el software termina la comparación guarda el porcentaje de cambio de un cuadrante respecto a otro.

7 LEVINE, S. Identification of electrocorticogram patterns as the basis for a direct brain interface, Citado por GONZÁLEZ, N. and FRANCISCO, J. Diseño y desarrollo de un sistema para el control mental de prótesis utilizando una Interfaz Cerebro-Computadora (BCI). 2014. P. 10. 8COSSIO, E. and GENTILETTI, G. INTERFAZ CEREBRO COMPUTADORA (ICC) BASADA EN EL POTENCIAL RELACIONADO CON EVENTOS P300: ANÁLISIS DEL EFECTO DE LA DIMENSIÓN DE LA MATRIZ DE ESTIMULACIÓN SOBRE SU DESEMPEÑO–Brain-computer interface based on the P300 event-related potential: analysis of t. Revista Ingenieria Biomedica, 2008, vol. 2, no 4,p. 27

17

1 PLANTEAMIENTO DEL PROBLEMA La niñez es considerada como una de las etapas críticas en el desarrollo humano, en parte por la madurez cerebral donde se generan cambios significativos que repercuten en los aprendizajes posteriores y por ende en el proceso de adaptación de los individuos a su entorno. En el desarrollo cerebral, se destaca la madurez de los lóbulos prefrontales por ser una zona de máxima conectividad funcional con otras áreas cerebrales; vinculadas tanto al funcionamiento de esta zona como al circuito de los ganglios basales9 están las Funciones Ejecutivas (FE) las cuales permiten la adaptación de un sujeto a situaciones nuevas10. Las “capacidades mentales necesarias para la formulación de objetivos y la planificación de estrategias idóneas para alcanzar dichos objetivos, optimizando el rendimiento”11. Dentro de las FE se encuentran las siguientes funciones: atención sostenida, memoria de trabajo, inhibición, flexibilidad cognitiva, fluidez verbal y de diseño, programación motora y planificación12. Es importante señalar que se desarrollan durante la infancia. La interacción de factores biológicos, sociales, culturales así como las condiciones ambientales pueden llegar a maximizar u obstaculizar los procesos implicados en el desarrollo cerebral; las alteraciones que se presentan en esta etapa de la vida se constituyen en factores de riesgo, que no solo ocasionan retrasos en el desarrollo sino que pueden acarrear la desescolarización temprana, los bajos logros escolares y problemas de comportamiento entre otros13. El documento Estrategia Regional de Salud Mental de la Organización Panamericana de la Salud (OPS) señala que los trastornos mentales y del comportamiento afectan entre 10 % y 15 % de los niños, las niñas y los adolescentes, cifra importante si consideramos que muchas de estas enfermedades prevalecen en la edad adulta. Este tipo de problemáticas inmersas en otras que afectan la calidad de vida de las personas, ha generado el desarrollo de políticas que promuevan la salud mental con énfasis en el fomento del estado de bienestar. La promoción implica la detección de los factores de riesgos y de

9ELLIOT, R.Executive Functions and their disorders. British Medical Bulletin, 2003. p. 49–59. 10SLACHEVSKY, C., PÉREZ, C., SILVA, J., ORELLANA, G., PRENAFETA1, M., ALEGRIA1, P AND PEÑA, M. Córtex prefrontal y trastornos del comportamiento: Modelos explicativos y métodos de evaluación. RevistaChilena de Neuropsiquiatria, 2005, 43(2), p.109-121. 11JUNQUE, C AND BARROSO, J. Neuropsicología. Editorial síntesis, p.1. 12GONZÁLEZ, P. Evaluación neuropsicológica de las funciones ejecutivas en niños con trastorno por déficit de atención con hiperactividad. [Trabajo de Investigación] Universidad De La Laguna.2006, p.10. 13 GALVIS, Y, POSADA, V, MEJÍA, R, BAREÑO, S, SIERRA. G, MONTOYA, L, AND AGUDEO, A.Primer Estudio Poblacional de Salud Mental Medellín, 2011-2012. Secretaria de Salud de Medellín – Grupo de Investigación en Salud Mental – Universidad CES. ISBN: 978-958-8674-15-5. 2010, p. 10.

18

protección; de igual forma trabajar en entornos particulares como son la familia, la escuela y la comunidad14. De acuerdo con la Organización Mundial de la Salud los factores de riesgo que puedan ocasionar un trastorno mental están: el fracaso en el desempeño académico y los déficits de atención. El fracaso académico se constituye en un predictor de desórdenes disruptivos así como de problemas conductuales, o trastornos emocionales como la depresión15. En el rendimiento académico influyen diversos factores: los métodos de enseñanza aprendizaje, las condiciones sociales, ambientales y culturales; desde la neurociencia cognitiva se ha vinculado el desempeño académico con los recursos cognitivos y afectivos de las personas; es así como la literatura hace evidente algunas relaciones existentes entre el rendimiento de procesos ejecutivos y el aprendizaje en niños sanos o con trastornos así como el impacto de los programas de estimulación cognitiva sobre el rendimiento de proceso ejecutivos y en consecuencia sobre el rendimiento académico16. Las investigaciones dirigidas a la población infantil, generalmente estudian las relaciones existentes entre los recursos cognitivos y el rendimiento académico en dos áreas fundamentales la adquisición y consolidación de la lecto-escritura y las operaciones matemáticas. Frente a la lectura se han identificado como prerrequisitos el procesamiento fonológico, la denominación, la percepción del habla, la automaticidad motora, la atención y la memoria a corto plazo. Un comportamiento similar se evidencia en el conocimiento matemático; en una investigación realizada por Roselli, Matute. Pinto y Ardila se encontró una relación significativa entre el rendimiento académico en matemáticas, de forma concreta en el procesamiento de la información numérica, y los procesos asociados a la memoria de trabajo, un hallazgo similar fue reportado por Bull y Scerif.17 Respecto al impacto de los programas de estimulación cognitiva en el rendimiento, cabe señalar que cumplen un papel determinante en los primeros años de vida pues complementan el desarrollo madurativo cerebral, en la medida, en que favorecen la diferenciación celular, lo cual viene a respaldar la afirmación de Mustardemitida en el Segundo Foro Internacional de Movilización por la Primera

14 Ibid., p, 11 15WEINBERG, W., GALLAGHER, L., HARPER., C AND DAVIES, J. The Impact of School on AcademicAchievement. Child AdolescPsychiatClin. 6.3. 1997, p.593-606. 16STELZER, F AND CERVIGNI, M. Desempeño académico y funciones ejecutivas en infancia y adolescencia. Una revisión de la literatura. Revista de Investigación en Educación,9(6), 2011,p.148-156. 17Chipatecua, A. G., & Rey-Anacona, C. A. (2013). Diferencias en funciones ejecutivas en escolares normales,

con trastorno por déficit de atención e hiperactividad, trastorno del cálculo y condición comórbida. Avances en Psicología Latinoamericana, 31(1), 71-85.

19

Infancia. “cuanto mayor sea la pobreza de las experiencias tempranas, mayor riesgo de desarrollar problemas de salud física y mental en la edad adulta”18. Los programas dirigidos a estimular las funciones ejecutivas (FE) en niños, son pocos, de 91 artículos revisados del 2007 al 2012 bajo el comando “funciones ejecutivas”, 14 eran programas dirigidos a los adultos y solo 7 a niños el resto de la producción era referida a sus alteraciones, desarrollo, evaluación y su relación con otros procesos. De estos programas se destaca en particular el Programa de Estimulación de las Funciones Ejecutivas el cual se encuentra en una etapa de diseño, donde se tiene presupuestado la creación de varios módulos para favorecer el desarrollo de las FE, en la actualidad se evalúa el módulo de planificación; este mismo artefacto puede ser utilizado para estimular la memoria de trabajo por su estructura.19 Fueron pocos los estudios referidos sobre atención sostenida o memoria de trabajo, en su mayoría se estimula la atención selectiva, en este tipo de programas se destaca la utilización de una serie de actividades aisladas, en las que se emplean estímulos arbitrarios que cumplen la función de ser modelo o actuar como comparadores; la tarea del niño se limita a seleccionar el o los objetos que son semejantes o diferentes al modelo20.En otros programas la atención está referida al seguimiento de instrucciones o a imitar un modelo Ghiglione. Predomina los programas en los que la estimulación de la atención, es un componente más de un programa más amplio bien sea para fortalecer otras funciones Filippetti y Richaud o con intenciones de rehabilitación neuropsicológica Portacio. Para el caso de la memoria las actividades empleadas tienen como propósito los procesos de codificación, almacenamiento y recuperación; en el procedimiento de estimulación se sigue en general una misma secuencia, se presenta uno o varios objetos, imágenes o sonidos, por una cantidad de tiempo para luego ser reconocidos o denominado por el niño en su ausencia. En general los programas de entrenamiento cognitivo favorecen los procesos de rehabilitación se evidencian resultados favorables en la focalización de la atención y la velocidad de procesamiento; su mayor dificultad está en la validez ecológica21.

18MUSTARD, F.La inversión en la primera infancia como política pública . Bogotá: Panamericana formas e impresos. 2003, p.43. 19BOLIVAR, D., RIOS, S., Estado del arte de los programas de entrenamiento cognitivo para niños . En: , ,2012, 20 ÁLVAREZ, L., GONZÁLEZ, C., NÚÑEZ, J., GONZÁLEZ. J., AND BERNARDO, A. Evaluación y control de la activación cortical en el déficit de atención sostenida. International Journal of Clinical and Health Psychology.

2, 2008, p.509-524. 21ORJALES. I. AND MATXALEN. D.Programa de Entrenamiento en Planificación. Editorial CEPE. Madrid. España. 2007, p.10.

20

A partir de la revisión de la literatura se concluye que es importante desarrollar programas dirigidos a estimular las FE de forma particular la atención y la memoria de trabajo por ser no solo prerrequisitos para fortalecer la adquisición y consolidación de la lectura y de los conceptos matemáticos, sino por facilitar la adecuada adaptación del niño a su contexto. Así mismo se identifica como un elemento clave la necesidad de diseñar programas lúdicos, llamativos, adaptados a la realidad y contexto para favorecer la validez ecológica22. El estudio por una parte tomara el módulo de planeación del PEFE, cuya efectividad está siendo evaluada; para identificar su impacto en la estimulación de la memoria a corto plazo y por otra diseñara un nuevo módulo para este programa centrado en la atención. Teniendo en cuenta que el diálogo con un dispositivo digital se genera a través del acceso a un sin número de aplicaciones y servicios, donde la interfaz de usuario establece una red cognitiva de interacciones a través de un conjunto de procesos, reglas y convenciones que permiten la comunicación entre el hombre y el dispositivo digital. La interfaz se presenta como una gramática de la interacción entre el hombre y la máquina23. Las interfaces tridimensionales son un punto de acercamiento a la realidad virtual, permitiendo crear escenarios de simulación en los que el niño visualiza e interactúa a semejanza del habitar y acción real, a través de personajes o avatares, y objetos o bienes virtuales, no solo se participa, sino que se trata de un espacio colaborativo de alto nivel, en el que se puede comprobar hipótesis y desarrollar la creatividad24. De acuerdo a Garrison, para las comunidades de aprendizaje los ambientes lúdicos interactivos multimedia proveen: presencia social, correspondiente a la habilidad del alumnado de proyectarse social y emocionalmente, ya que son percibidos como personas reales por la proyección de los avatares 3D; presencia cognitiva, correspondiente a la posibilidad de los estudiantes de construir y probar su conocimiento, e interacción, como elemento básico de la enseñanza virtual para un aprendizaje efectivo, donde los docentes son orientadores del proceso. Actualmente existen modelos que permiten evaluar aplicaciones de aprendizaje, en estos modelos se definen características enfocados a la evaluación de la usabilidad en entornos web, software corporativo y software general, sin embargo,

22ROWN, L and CAMPIONE, C. Psychological theory and the study of learning disabilities. American psychologist, 1986, vol. 41, no 10, p. 1059 23GLEZ-MORCILLO, D. VALLEJO, J. ALBUSAC, L. JIMENEZ, J. CASTRO-SANCHEZ. A New Approach to Grid Computing for Distributed Rendering, proceeding In P2P, Parallel, Grid, Cloud And Internet Computing, October 2011, p. 9-16 24 HOBERMAN, A, et al. Treatment of acute otitis media in children under 2 years of age. New England Journal of Medicine, 2011, vol. 364, no 2, p. 105-115.

21

debido a que el desarrollo de este tipo de software involucra la participación de diferentes áreas o disciplinas, el grado de complejidad para establecer un modelo que evalué todas las necesidades interdisciplinarias que pretenden ser suplidas con el software se incrementa significativamente, por lo tanto se requiere: identificar y validar un modelo que permite la evaluación de usabilidad en el programa de estimulación de las funciones ejecutivas25.

25ROURKE, L, et al. Assessing social presence in asynchronous text-based computer conferencing.

International Journal of E-Learning & Distance Education, 2007, vol. 14, no 2, p. 50-71.

22

2 OBJETIVOS

2.1 OBJETIVO GENERAL Desarrollar un prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal.

2.2 OBJETIVOS ESPECÍFICOS

Caracterizar los componentes funcionales necesarios para la construcción de un prototipo de reconocimiento de cambios visuales en ejercicios de estimulación bioeléctrica neuronal.

Implementar un prototipo de software para identificar el cambio porcentual de la actividad bioeléctrica neuronal del paciente.

Validar la funcionalidad y uso del prototipo de software implementado.

23

3 MARCO REFERENCIAL

3.1 MARCO CONCEPTUAL A continuación se enuncian conceptos que definen cómo las principales áreas del cerebro pueden ser analizadas por medio de dispositivos que midan las ondas electromagnéticas y la actividad cerebral. 3.1.1 Anatomía cerebral. Krause inició la representación que permite ver las principales áreas en las que el cerebro por medio de estimulación eléctrica en la corteza cerebral, consigue respuestas con corriente faradic. A principios del siglo XIX se dio inicio a la investigación de la neurociencia cognitiva, teniendo en cuenta las observaciones de un paciente con una contusión en la región frontal26. Este acontecimiento posteriormente dio origen a las investigaciones de Brodmann que se muestran en la (Figura 1). Figura 1. Divisiones corticales según Brodmann

Fuente: FUSTER, J. El paradigma reticular de la memoria cortical. Rev Neurol, 2010, vol. 50, no Supl 3, p. S5.

“El Sistema nervioso central y en particular la corteza cerebral son centros de interpretación de los estímulos allí llevados por todo el sistema sensitivo. El estudio de la especialización de la corteza cerebral dio sus primeros pasos con Ramón y Cajal en 1949 y von Ecónomo en 1960, entre otros. Pero son los

26 BROCA, P. Remarques sur la siège de la faculté du langage articulé, suivi d’une observation d’aphémie. Bull Anat Soc Citado Por: FUSTER, J. El paradigma reticular de la memoria cortical. Rev Neurol, 2010, vol. 50, no Supl 3, p. S3.

24

estudios de Brodmann (1909-1994) los que han permanecido desde que los propusiera”27. El cerebro está conformado por estructuras procedentes de dos vesículas cerebrales secundarias: (1) el telencéfalo en donde se originan los hemisferios cerebrales conectados por haces de fibras nerviosas y, (2) el diencéfalo que da origen al epitálamo, partes localizadas a través de la hendidura interhemisférica con forma ovoide de extremidad gruesa posterior. A su vez, posee tres caras: la interna, la inferior y la lateral, con tres bordes que apartan las tres caras28. En la (Figura 2) se evidencia una de las características más relevantes del cerebro que son sus circunvoluciones o pliegues, que hacen parte del córtex cerebral que es la cubierta exterior. Figura 2. Circunvoluciones o pliegues cerebrales

Fuente: DIEPRESSE. Computerwissenschaft: Wenn das Gehirn würfelt [En línea].

<http://diepresse.com/home/science/710027/Computerwissenschaft_Wenn-das-Gehirn-wurfelt> [Citado el: 21 de 09 de 2014].

A su vez, el cerebro está dividido en cuatro partes denominadas lóbulos como muestra la (Figura 3): Lóbulo occipital: está ubicado en la parte media trasera del cerebro y allí reside la capacidad de la visión.

27 SUÁREZ, G. FÍSICA, Educación. Técnica, biomecánica y aprendizaje motriz. Aprendizaje motor: elementos para una teoría de la enseñanza de las habilidades motrices. Medellín: Funámbulos Editores, 2007, p. 11 28 MIRANDA, P.Estudio comparativo de la anatomía con la tomografía axial computarizada cerebral.2004 p.41 - 42

25

Lóbulo frontal: está situado en el área de la frente, teniendo como funciones principales, la creatividad, la resolución de problemas, la planificación y el juicio. Lóbulo parietal: ubicado en la zona trasera superior, es el encargado de las funciones lingüísticas y sensoriales.

Los lóbulos temporales: están por encima y alrededor de los oídos, en estos se centran la audición, la memoria y el lenguaje29. Figura 3. Lóbulos Cerebrales.

Fuente: NOSOLOFREUD. Partes importantes I. Los lóbulos [En línea]. <

https://nosolofreud.wordpress.com/2009/07/14/partes-importantes-i-los-lobulos> [Citado el: 25 de 09 de 2014] La zona situada en la parte central del cerebro incluye el hipocampo, el tálamo, el hipotálamo y la amígdala. Ésta zona cerebral maneja las emociones, el sueño, la atención, la regulación del cuerpo las hormonas, la sexualidad, el olfato y la elaboración de las sustancias químicas cerebrales. Por otra parte está el córtex sensorial y el córtex motor, el primero se encarga de recoger información de los receptores cutáneos del cuerpo y, el segundo es necesario para cualquier movimiento. Están ubicados a lo largo de la zona media superior del cerebro. En la parte inferior trasera del cerebro se encuentra ubicado el cerebelo que es la parte enfocada en dar equilibrio, la postura y el movimiento30 como se evidencia en la (Figura 4).

29 JENSEN, E. Cerebro y aprendizaje: Competencias e implicaciones educativas. Madrid: Narcea, 2004. p, 22 - 23 30 Ibid., p, 24 - 25

26

Figura 4. Imagen Transversal del cerebro.

Fuente: JENSEN, E. Cerebro y aprendizaje: Competencias e implicaciones educativas. Madrid: Narcea, 2004.

p,25.

3.1.2 Encefalografía (EEG). La encelografía tiene como año de origen 1770 cuando Luigi Galvani divulgó sus investigaciones sobre la electricidad animal. Galvani demostró la existencia de “electricidad animal intrínseca”. Sin embargo, las observaciones de este tipo no generaron un mayor impacto durante esa época ya que Alessandro Volta sustentaba que todos los descubrimientos se debían al efecto causado por una incitación eléctrica procedente de una batería sobre dos metales distintos31. Por otra parte el fenómeno eléctrico intrínseco fue investigado por Emil du Bois Raymond, en un libro de dos volúmenes llamado “Investigaciones sobre la electricidad animal”, durante 1848 y 1849. El segundo volumen muestra observaciones del registro de potenciales del músculo sobre la piel, dando así las primeras bases de la electromiografía clínica. En el año de 1870, Gustav Fritsch y Edouard Hitzig, evidenciaron respuestas motoras locales en perros a los cuales les realizaron el estudio, luego de hacer la estimulación eléctrica en varias áreas del cerebro.32 En 1875 Richard Catón corroboró que el cerebro es capaz de generar corrientes eléctricas. Ferrier teniendo en cuenta esto experimentó con la “corriente farádica” en animales y como consecuencia de estos experimentos, hacia finales de siglo se tenía soporte de que el cerebro de los animales poseen propiedades eléctricas comparables a las encontradas en el nervio y en el músculo. Durante 1890, Aldof Beck, y el Profesor Cybulsky, motivados por los trabajos de Hitzig y Fritsch

31 PALACIOS, L. Breve historia de la electroencefalografía. Acta Neurológica Colombiana, 2002, vol. 2, p. 104-105. 32Ibid., p, 104 – 105.

27

realizaron nuevas investigaciones para identificar métodos de localización funcional en el cerebro. Beck definió la observación de potenciales evocados visuales, por otra parte, describió la supresión de la actividad continua de fondo al aplicar diferentes estímulos sensoriales en el cerebro. 33 Para 1913, Pradvich Neminski registró lo que denominó «electrocerebrograma» de un perro, siendo así el pionero en clasificar este tipo observaciones del cerebro y su actividad, este tipo de análisis se hacían sobre cerebros descubiertos de los seres que eran utilizados para analizar cómo se manifestaban los cambios eléctricos en el cerebro 34. Durante 1928, Hans Berger implementó una técnica que tenía como objetivo el estudio de la actividad eléctrica cerebral en su laboratorio (Figura 5), encontrando lo que se denominó el« ritmo de Berger». En 1929, el tema era profundamente tratado, abriéndose las posibilidades de la electroencefalografía como instrumento clínico, lo que condujo a una reunión en el Laboratorio central de Patología del Hospital Maudsley de Londres. A pesar de que el grupo de investigadores intentó obtener registros del «ritmo de Berger» usando amplificadores y un galvanómetro vetusto, por lo que no se validó al seriedad de la investigación, ni lo reportado por Berger.35 Figura 5. Figura Primer laboratorio y equipo EEG

Fuente:OLIVARES, O. Epilepsia: Cirugía y Electroencefalografía, un Siglo y algo más de Historia. Rev Chil Epilepsia, 2000, vol. 1, p. 2-3

33 Ibid., p, 104 – 105. 34 BAREA, R. Tema 5: Electroencefalografía. Instrumentación Biomédica. Departamento Electrónica. Universidad Alcalá. p. 2. http://www.bioingenieria.edu.ar/academica/catedras/bioingenieria2/archivos/apuntes/tema%205%20-%20electroencefalografia.pdf 35OLIVARES, O. Epilepsia: Cirugía y Electroencefalografía, un Siglo y algo más de Historia. Rev Chil Epilepsia, 2000, vol. 1, p. 2-3

28

A pesar de no haber tenido inicialmente importancia, muchos coinciden que el principal precursor del EEG en seres humanos, fue Hans Berger, Jefe de la Unidad de Psiquiatría de la Universidad de Jena (Alemania) quien después de hacer una serie de investigaciones el 6 de julio de 1924 pudo hacer el primer registro de las oscilaciones rítmicas en un cerebro humano, acudiendo a hacer un orificio de trepanación descompresiva utilizando un galvanómetro de cuerda36. Sólo hasta 1934, Adrian y Matthews verificaron por primera vez el «Ritmo de Berger». Berger a través de las mejoras introducidas por Adrian y Mathews, evidenciando que cuando el individuo abría los ojos o resolvía algún problema mentalmente se alteraba el ritmo amplio y regular del cerebro. Esto fue verificado después por Adrian y Matthews, quienes al tener mejores conocimientos científicos y mejores técnicas, demostraron que el ritmo regular y amplio de diez ciclos por segundo surgía de las áreas visuales de asociación y no de todo el cerebro37. Lo encontrado por Adrian y Mattwes38, se convirtió en uno de los primeros postulados respecto a la electrogénesis del EEG, pues la investigación sustentaba que las ondas pausadas que se registraban en la superficie cerebral se derivaban de la suma de secuencias de ciertos potenciales de acción. Después de estas demostraciones el estudio del comportamiento del cerebro avanzó y se consolidó para identificar y relacionar distintos tipos de patologías que pueden ser investigados a través de la relación que el cerebro tiene con ciertos estímulos eléctricos, permitiendo ampliar el estudio del cerebro, pudiéndose observar cómo éste reacciona a ciertos estímulos eléctricos en situaciones específicas39. El EEG, consiste en obtener una grabación de medios digitales, basándose en el hardware de computadoras, con almacenamiento en forma de ondas electromagnéticas que permiten la visualización en un dispositivo de salida de computadora. El EEG, cumple como objetivo primario el eficaz almacenamiento y ahorro de medios físicos mediante la eliminación del papel, teniendo registro digital para un posterior examen visual.40 Como instrumento del EEG, la estimulación cognitiva es un área de estudio de intervención psicológica que compone todo un conjunto de métodos y habilidades sistemáticas, estandarizadas que tienen por esencia activar y entrenar las distintas capacidades y funciones cognitivas (terapia de orientación a la realidad, terapia de

36 REYES.Op. cit., p.2 37 BAREA. Op. cit., p. 2 38 ADRIAN, E and MATWES, S. The Berger Rythm: Potential changes from the occipital lobes of man, Citado por: HARMONY, T. Origen del electroencefalograma. Salud Mental, 1990, vol. 13, no 3, p. 27 39 Ibid., p 27 40 BUDZYNSKI, T., et al. (ed.). Introduction to quantitative EEG and neurofeedback: Advanced theory and applications. Academic Press, 2009. p.29-30.

29

reminiscencia, programas de psicoestimulación) de una persona con el fin de mejorar sus capacidades41. Por otra parte el neurofeedback,consiste en dar realimentación a los procesos internos del cuerpo a través de señales visuales y auditivas, es un tratamiento científico que permite entrenar el cerebro con el fin de mejorar y autorregular de una manera voluntaria la actividad involuntaria del mismo. Este método actúa en el funcionamiento del cerebro, procede cuando le transmite la información necesaria para que su actividad sea regulada. En muchos pacientes el cerebro no procesa la información en el momento adecuado y por lo tanto no la comunica correctamente al cuerpo por lo cual el uso del neurofeedback se hace protagonista en el tratamiento de pacientes con esa patología42. 3.1.3 Interfaz Cerebro Computador. En 1969, se hizo la primera publicación acerca de los estudios de condicionamiento operante de Fetz, en los que se demostró que los monos podían aprender a controlar de manera voluntaria las tasas de disparo de las neuronas individuales y múltiples en la corteza motora primaria, Siempre y cuando fueran motivados por la reproducción de moldes apropiados de la actividad neuronal.43.

Los sistemas BCI invasivos y no invasivos se basan en distintos tipos de investigaciones, aunque los dos tipos de sistemas se enfocaron en experimentos con animales. Hay que tener en cuenta que los sistemas invasivos están compuestos de redes de micro-electrodos implantados en la corteza motora de seres humanos o en la corteza pre-motora de monos. Este tipo de BCI, se centra en reconstruir movimientos voluntarios aprendidos a partir de ciertos esquemas44. Existen varios conceptos respecto al BCI por lo que a continuación a se definirán: Interfaz cerebro computadora: Es un instrumento que establece una comunicación con el entorno externo atreves de la actividad cerebral sin la ayuda de la actividad motriz y periféricos45. Interfaz Cerebro Máquina: “Son unas redes neuronales eléctricas y computacionales artificiales que reparan y mejoran las funciones cerebrales que van desde el centro sensorial a los dominios de control de motores”46.

41 FRANCÉS, I., et al. Estimulación psicocognoscitiva en las demencias. EnAnales del sistema sanitario de Navarra. 2003. P.408 – 412. 42 GONZÁLEZ, P. et al. Atención y activación. Aula abierta, 1999, vol. 73, p. 21-38. 43MUÑOZ, H. and NUREIBIS, C. Estudio de técnicas de análisis y clasificación de señales EEG en el contexto de sistemas BCI (Brain Computer Interface). 2014. p.10. 44Ibid., p, 9. 45 COSSIO, E. and GENTILETTI, G. Op. cit.,p. 27. 46 KAWATO M. Brain controlled robots, Citado por MONTALVO, M. Estado del Arte: Interfaces Cerebro Computadora. p.2.

30

Interfaz Directa Cerebral: “es un dispositivo que acepta comandos voluntarios directamente desde el cerebro humano sin necesidad de movimiento físico y puede ser usado para operar una computadora u otras tecnologías”47. Interfaz Cerebro-Computadora: “está compuesta por micro-electrodos incrustados quirúrgicamente en la corteza cerebral, permitiendo con ello el uso de la actividad neuronal para controlar dispositivos con suficiente velocidad y agilidad para reemplazar movimientos naturales, y animar movimientos en personas paralizadas.”48

Para considerar una interfaz cerebro computador debe cumplir con las siguientes características Registrar actividad cerebral (Invasivo o No invasivo). Proveer realimentar al usuario en tiempo real. Basarse en el control intencional.

“Esto significa que el usuario debe elegir entre realizar una tarea mental cada vez que quiera lograr un objetivo con la BCI. También es importante mencionar que no son consideradas Interfaces Cerebro-Computadora, aquellos dispositivos que sólo pasivamente detectan cambios en la actividad cerebral, es decir, sin ninguna intención. Por ejemplo, la actividad EEG que se encuentra asociada con la carga de trabajo, excitación o sueño”49.

El BCI (Brain Computer interface) es una herramienta electrónica que permite la comunicación del cerebro con el entorno que lo rodea, pudiéndose lograr mediante la visualización de la actividad bioeléctrica cerebral, sin ningún tipo de ayuda de actividad motora. Las ondas provenientes de la actividad cerebral pueden obtenerse de manera invasiva o no invasiva, para ésta última, la actividad es adquirida por medio de un dispositivo de electrodos acentuados estratégicamente en el cuero cabelludo. Con el fin de procesar la información que el BCI captó para poder analizar la señal arrojada por medio de la interfaz y así poder determinar el estado actual del paciente50. La neurociencia y la robótica han encontrado una forma de complementarse para crear modelos robóticos que se adapten a la neurociencia a través de plataformas de sistemas que trabajan conjuntamente. La neuro-robótica permite el estudio de modelos biológicos para crear sistemas computacionales, con el fin de hacer

47 LEVINE. Op. cit., p. 9. 48 Ibid., p.10 49 GRAIMANN B, Brain- Computer Interfaces: Revolutionizing Human-Computer Interaction. Citado por GONZÁLEZ, Neri; FRANCISCO, J. Diseño y desarrollo de un sistema para el control mental de prótesis utilizando una Interfaz Cerebro-Computadora (BCI). 2014 p.12. 50COSSIO, E. and GENTILETTI, G. Op. cit., p. 27

31

simulaciones en un robot y posteriormente ser comparado con seres humanos; para que en cada prueba se realice una mejora continua del modelo51. Los BCI están clasificados según el tipo de actividad mental que el individuo requiera para enviar mensajes o comandos, por lo que a continuación se definen los tres tipos de actividades mentales en los cuales se basan los BCI’s: Imagen motora: es el tipo de actividad mental medible cuando se le propone al individuo que se imagine realizando una acción. Cuando esto sucede se extraen los datos del EEG y se clasifican, después el resultado se muestra gráficamente como una barra horizontal en la pantalla que indica movimientos hacia la derecha o izquierda. Al final del análisis se efectúa realimentación que le permitirá a la persona entrenar dicha imagen motora en su mente. Este tipo de aplicaciones son muy utilizadas en casos de rehabilitación motriz de alguna extremidad dañada52. P300: es un tipo de actividad cerebral que puede ser divisado mediante el EEG, se basa en un componente cerebral que se provoca posteriormente de un estímulo y que se refleja en la señal del EEG como una onda positiva de 300 ms. Aplicaciones utilizadas para este tipo de actividad son: dispositivos de ortografía y dispositivos de casa inteligente53. Potenciales Visuales Evocados Fijos o Estacionarios (SSVEP): se utilizan a través varias fuentes de luz estacionaria oscilante, donde cada luz oscila con una frecuencia única. Cuando un sujeto observa una de estas luces, la actividad EEG en el lóbulo occipital manifestará un aumento en el poder de la frecuencia correspondiente54 Para Garzón55, la sinestesia ha tomado un rol representativo en la tecnología, ya que se han diseñado diversos modelos que unen la tecnología con las sensaciones ante los estímulos del ser humano. Con la aplicación BCI se pueden generar sistemas compuestos por suites: (1) la suite sinestesia (Figura 6) está fundamentada en una estructura ordenada de algoritmos, que se focalizan en la recolección de datos durante un periodo de tiempo determinado para definir como está reaccionando el paciente al estímulo de los distintas pruebas cognitivas que se le realicen; (2) la suite Motora (Figura 7) integra a la suite sinestesia y los modelos pedagógicos donde los pacientes interactuaran con la BCI mediante aplicaciones o juegos cognitivos que permiten medir las reacciones de los

51 FALOMIR, Op. cit., p.4 52MARTÍNEZ, F. Evaluación de técnicas computacionales para el análisis lineal de señales electroencefalográficas. 2014. P,33 - 34 53 Ibid., p.35 54 Ibid., p.36 55 GARZÓN, J, et al. Uso de una BCI (Brain Computer Interface) como enlace interactivo, terapéutico y de aprendizaje dirigido a personas con discapacidad cognitiva y motora. p.2

32

usuarios. El modelo algorítmico de la suite motora, cuenta con una estructura visual, de exploración y de movimientos realizados por la acción56. Figura 6. Ambiente Grafico Suite Sinestesia

Fuente: GARZÓN, J, et al. Uso de una BCI (Brain Computer Interface) como enlace interactivo, terapéutico y

de aprendizaje dirigido a personas con discapacidad cognitiva y motora. p.5

Figura 7. Ambiente grafico Suite Motora

Fuente: GARZÓN, J, et al. Uso de una BCI (Brain Computer Interface) como enlace interactivo, terapéutico y de aprendizaje dirigido a personas con discapacidad cognitiva y motora. p.6.

3.1.4 Reconocimiento de imágenes. La captación de imágenes requiere de los siguientes elementos:

El primero: es un dispositivo físico que captura una banda del espectro de energía electromagnético llamada rayos X, ultravioleta o infrarrojo y obtiene como resultado de salida una señal a nivel de energía incidente en cualquier instante del tiempo.

56 Ibid., p.5

33

El segundo: elemento se tiene un dispositivo digitalizador que convierte una señal eléctrica continua en un conjunto de localización de imágenes, obteniendo como último resultado la cuantificación de dicha muestra57.

El desarrollo de datos en el sistema de visión puede enfocarse desde dos perspectivas58.

Alteración pixel a pixel de los datos en una escala global (Individuales). Operaciones basadas en múltiples puntos (vecindad). La reproducción de un nuevo pixel en una captura que es idéntica al valor de cada pixel y su ubicación será exacta a la misma para el grupo de pixeles. (Figura 9) Figura 8.Imagen Digital

Fuente: RONCAGLIOLO, P. Procesamiento Digital de Imágenes, [En línea]

<http://www2.elo.utfsm.cl/~elo328/PDI03_Operadores_Basicos.pdf> [Citado el: 26 de Julio de 2014.].

El JPG puede guardar hasta 16 millones de colores, y no trabaja con capas. Puede guardar imágenes en 8 o escalas de grises, hasta 24 bits en modo rgb, o hasta 32 bits en modo CMYK.59. Mientras que los formato BMP (Bit-map - Mapa de puntos) no es un estándar, pero es el formato que Windows intento implantar. Este formato se basa en el formato PCX, creado para el programa de dibujo Paint - Brush. Un BMP almacena,

57 PAJARES, G, et al. Imágenes Digitales. Procesamiento práctico con Java, 2004. p.10-15 58 Ibid., p. 14 59 GARZON, L, SAN PALO DE LA TORRE, A, CORTÉS, E and PRIETO. J. Informática. Temario A. Volumen Iv. Profesores de Educación Secundaria Ebook. España. 2003. p.310

34

por cada punto de la pantalla, su color. No contenía ningún algoritmo de compresión, por lo que los gráficos ocupan mucho espacio. Es un formato muy rápido de leer, porque la información no hay que tratarla, ni descomprimirla. Tampoco almacena información sobre capas60.

Figura 9. Funciones de punto y vecindad

Fuente: RONCAGLIOLO, P. Procesamiento Digital de Imágenes, [En línea]

<http://www2.elo.utfsm.cl/~elo328/PDI03_Operadores_Basicos.pdf> [Citado el: 26 de Julio de 2014.].

3.1.4.1 EL Pixel.Es el bloque mínimohomogéneo que hace parte de una fotografía digital. Cada bloque que se despliega en un dispositivo se llama pixel. Los pixeles particularmente se encuentran en las imágenes como diminutos recuadros en escala de grises. En el momento que es establecida una imagen esta toman la forma de matriz cuadrangular de pixeles, donde la unión de miles o millones de diminutos pixeles conforman la imagen total. La exposición de los millones de bloques demasiados juntos, organizados en filas y columnas pueden ser proyectadas en monitores que dividen la pantalla en pixeles. La calidad de un sistema de visualización depende en gran medida de su resolución, es decir, cuántos bits utilizan para representar cada pixel61.

La codificación de Pixel, en los dispositivos gráficos cada pixel se codifica mediante un conjunto de bits de longitud determinada; por ejemplo, puede codificarse un pixel con byte (8 bits), de manera que cada pixel admite 256 variaciones. En las imágenes de color verdadero, se sueleusar tres bytes para definir un color; es decir, en total podemos representar un total de 224 colores, que suman 16.777.216 opciones de color (32 bits son los mismos colores que 24 bits, pues se dedican 8 bits más para la transparencia)62.

60 Ibid., p.307 61 BAÑÓN, J, COMPUTACIÓN GRAFICA fundamentos teóricos.2012. p.172 62 SHIRLEY, P. Fundamentals on Computer Graphics, Citado por BAÑÓN, J, COMPUTACIÓN GRAFICA fundamentos teóricos.2012. p.172

35

La segmentación de imágenes juega papel significativo en muchas aplicaciones biomédicas de tratamiento de imágenes. Las metodologías para las segmentaciones se renuevan generosamente dependiendo de la aplicación específica, tipo de imagen y otros factores. Una región consiste en una parte de la imagen que satisface un cierto criterio de uniformidad.

Una región consiste en una parte de la imagen que satisface un cierto criterio de uniformidad. Cadaregión comienza a formarse a partir de voxels considerado semillas y evoluciona, mediante unalgoritmo recursivo, por incorporación de aquellos voxels vecinos a los ya integrados que satisfacenla condición establecida [9]. Comúnmente, los criterios utilizados se refieren a propiedades deproximidad y homogeneidad de los voxels considerados, considerándose que voxels cercanos conintensidades similares corresponden al mismo material. El proceso de segmentación finaliza cuandono se encuentran más voxels que cumplan la

condición especificada63.

A continuación se clasifican las diferentes topologías de segmentación de imágenes médicas:

casos. Clásicamente, la segmentación de imágenes se define como Segmentación y etiquetado

Una imagen es una galería de medidas o valores en el espacio tridimensional (3D) o bidimensional (2D).En imágenes médicas, estas medidas o intensidades de imagen pueden ser la absorción de radiación de imágenes de Rayos X, presión acústica en ultrasonido, o amplitud de señal de radio-frecuencia (RF-radio-frecuency) en MRI. Sí se hace una medida simple para cada posición de la imagen, entonces la imagen es una imagen escalar. Sí se hace más de una medida (por ejemplo: dual-eco MRI), la imagen es llamada imagen vector o imagen multicanal. Las imágenes pueden ser adquiridas en el dominio continuo como las películas de Rayos X, o en el discreto como en MRI. En imágenes discretas 2D, la posición de cada medida se conoce como píxel y en imágenes 3D, se le llama voxel. Por simplicidad, se usará el termino píxel con frecuencia para referirnos a ambos la partición de una imagen en regiones constituyentes no solapadas, las cuales son homogéneas con respecto a alguna característica como una intensidad o una textura64.

Dimensionalidad. Se define así al modelo de segmentación que opera en un dominio de imagen 2D o 3D. Las técnicas que se apoyan en las intensidades de la imagen son independientes del dominio de la imagen. Los métodos 2D se usan secuencialmente a los cortes de una imagen 3D, esto se puede dar debido a la

63CASTLEMAN, K. Digital Image Processing, Citado por FRESNO, Mariana del; VÉNERE, Marcelo. Un método de segmentación de imágenes digitales tridimensionales por crecimiento de regiones. En VIII Congreso Argentino de Ciencias de la Computación. 2002. p.3 64 COTO, E. Métodos de segmentación de imágenes médicas. Universidad Central de Venezuela: Lecturas en Ciencias de la Computación, 2003, vol. 1, p. 5.

36

facilidad de ejecución, mínima complejidad computacional y reducción de requerimientos de memoria65.

Segmentación suave y efectos de volumen parcial. Las segmentaciones suaves son relevantes en el uso de imágenes médicas debido a los efectos de volumen parcial en el cual múltiples tejidos ayudan a un pixel, resultando en una composición de intensidades en las fronteras.La Figura 10 evidencia como el proceso de muestreo concluye en efectos de volumen parcial, creando ambigüedades en la definición de la imagen.66

Segmentación dura. Obliga a tomar una decisión en cuanto a si el pixel está dentro o fuera del objeto (Figura 10). Lo que permite concluir que la segmentación suave es la mejor opción permitiendo la conservación de la imagen original y admitiendo la ambigüedad en la localización de las fronteras de cada objeto67.

Validación.Para poder medir la utilidad de un modelo de segmentación, es preciso hacer pruebas de validación, estas pruebas se enfocan en comparaciones de los resultados obtenidos contra algún método real. El procedimiento más efectivo para certificar es comparar la segmentación automática con una segmentación conseguida manualmente, pero este procedimiento no certifica a un modelo real perfecto, debido a que el rendimiento de un usuario también puede ser deficiente68.

Interacción. El tipo de interacción requerido por los métodos de segmentación puede ir desde la delineación manual completa de una estructura anatómica, hasta la selección de uno o más puntos iniciales para un algoritmo.La diferencia entre estos tipos de interacción es la cantidad de tiempo y esfuerzo requerido, así como la cantidad entrenamiento requerido por el usuario. De cualquier forma, inclusive los métodos de segmentación automatizada generalmente requieren alguna interacción para especificar parámetros iniciales que pueden afectar el rendimiento significativamente.

65Ibid., p.305 66Ibid., p.306 67ZHANG, Y. A survey on evaluation methods for image segmentation. Citado por COTO, Ernesto. Métodos de segmentación de imágenes médicas. Universidad Central de Venezuela: Lecturas en Ciencias de la Computación, 2003, vol. 1, p. 6. 68Ibid., p.8

37

Figura 10. Efecto de volumen parcial.

Fuente: COTO, E. Métodos de segmentación de imágenes médicas. Universidad Central de Venezuela:

Lecturas en Ciencias de la Computación, 2003, vol. 1, p. 9-15.

3.1.4.2 Modelos De color.Gran parte de los modelos de color que se utilizan se dirigen en hardware como ordenadores, impresoras o aplicaciones de manipulación de color. Los modelos más utilizados para el procesamiento de imágenes son: RGB: el Piloto está enfocado en un sistema de coordenadas cartesianas, estas imágenes están compuestas de tres planos de imágenes independientes. Cada imagen contiene un color primario. Cuando las imágenes son introducidas en el piloto RGB las tres imágenes se combinan en el monitor produciendo una imagen de color compuesto. El análisis de imágenes en color, valiéndose del modelo RGB, adquiere un sentido en el instante en que las imágenes se manifiestan naturalmente en términos de tres planos de color69. Como se muestra en la figura 10.

Figura 11. Cubo de color RGB

Fuente: MOLINA, R. Introducción al procesamiento y análisis de imágenes digitales. Departamento de Ciencias de la Computación e IA Universidad de Granada.wwwtsi2. ugr. es/depar/ccia/mia/complementario/Procesamiento_Imagenes. pdf (Consulta: 2005, Febrero 26). Back to cited text, 1998, no 30. P.63

69 LOAIZA, H. Introducción a los sistemas de visión en colores. Revista Energía y computación, 1999, vol. 8, no 1. p. 15

38

El RGB es uno de modelos más utilizados en el procesamiento de imágenes aéreas y de satélites espectrales. Sin embargo no es la manera más eficaz para describir los tres componentes de color70.

CMY: Este modelo se enfoca en la conversión de colores primarios a secundarios (cian, magenta y amarillo) como muestra la figura 11. Figura 12.Conversión CMY a RGB

Fuente: MOLINA, R. Introducción al procesamiento y análisis de imágenes digitales. Departamento de Ciencias de la Computación e IA Universidad de Granada.wwwtsi2. ugr. es/depar/ccia/mia/complementario/Procesamiento_Imagenes. pdf (Consulta: 2005, Febrero 26). Back to cited text, 1998, no 30. P. 65.

“Muestra las representaciones en las correspondientes bandas de la imagen que se muestra a continuación. Para la obtención de estas imágenes se normalizo cada canal a uno independiente, dividiéndolo por 255 a continuación se le ha restado a uno dicha cantidad y por último se multiplico el resultado por 255”71.(Figura 12)

“Uno de los mejores ejemplos de la utilidad del modelo RGB es el procesamiento de imágenes aéreas y de satélites multiespectrales. Estas imágenes se obtienen para diferentes rangos espectrales. Por ejemplo, las imágenes LANDSAT se obtienen como mínimo en cuatro ventanas espectrales distintas de la misma escena. Dos ventanas están en el espectro visible y corresponden aproximadamente a verde y rojo; las otras dos están en el infrarrojo. Así pues cada plano de la imagen tiene sentido físico y la combinación de color utilizando el modelo RGB para procesamiento y visualización tiene sentido cuando se ve en una pantalla en color. La figura 13 muestra una imagen en color de verduras y frutas junto con su s tres bandas de color rojo, verde y azul.Obsérvese que el mayor nivel de gris en cada banda corresponde con el color predominante en cada objeto (fruta o verdura). ”

70 MOLINA, R. Introducción al procesamiento y análisis de imágenes digitales. Departamento de Ciencias de la Computación e IA Universidad de Granada.wwwtsi2. ugr. es/depar/ccia/mia/complementario/Procesamiento_Imagenes. pdf (Consulta: 2005, Febrero 26). Back to cited text, 1998, no 30. P. 62 - 63 71Ibit., p.65

39

Figura 13.Imagen original b. plano de rojo c. plano de verde d. plano de azul

Fuente: MOLINA, R. Introducción al procesamiento y análisis de imágenes digitales. Departamento de Ciencias de la Computación e IA Universidad de Granada.wwwtsi2. ugr. es/depar/ccia/mia/complementario/Procesamiento_Imagenes. pdf (Consulta: 2005, Febrero 26). Back to cited text, 1998, no 30. P. 64.

YIQ: este modelo es utilizado en las emisiones de televisión a color. Se basa en una recodificación RGB para mantener una alta transmisión y compatibilidad con los estándares de televisión. La conversión del Modelo RGB al modelo YIQ viene establecida en la figura 13. Figura 14. Modelo RGB al YIQ

Fuente: MOLINA, R. Introducción al procesamiento y análisis de imágenes digitales. Departamento de

Ciencias de la Computación e IA Universidad de Granada.wwwtsi2. ugr. es/depar/ccia/mia/complementario/Procesamiento_Imagenes. pdf (Consulta: 2005, Febrero 26). Back to cited text, 1998, no 30. P. 65.

40

Modelo RGB al YIQ fue diseñado teniendo en cuenta las características del sistema visual humano, en particular la mayor sensibilidad a los cambios en luminancia que a los cambios de matiz o saturación. Este estándar usa más bits (o ancho de banda) para representar Y y menos para I y Q.

Además de ser ampliamente usado, una de sus ventajas más importantes es que las informaciones de luminancia (Y) y color (I y Q) están separadas. La importancia de esta separación es que podemos procesar la luminancia sin afectar el color72.

3.2 MARCO TEÓRICO El marco teórico que fundamenta esta investigación proporcionará al lector una idea más clara acerca del tema. Se encontrara con modelos y softwares que pretenden dar solución a la problemática del proyecto. 3.2.1 Modelos De Aplicación Bci. Los sistemas Brain computer interface se pueden clasificar en varios modelos que miden el potencial, actividad y comunicación. 3.2.1.1 Modelo de potencial evocado. El potencial evocado es el efecto de promediar la actividad física del electroencefalograma como consecuencia de un estímulo que se repite «n» veces (predeterminadas). El estímulo efectuado puede ser auditivo, visual o somato-sensorial. Como el electroencefalograma no permite registro significativo de la actividad cerebral, el potencial evocado da la posibilidad de hacer ese tipo de registro de una manera más avanzada73. 3.2.1.2 Modelo de difusiones entrelazadas de redes neuronales. Las redes neuronales se basan en el pensamiento sistémico, estas se establecen con el propósito de transferir datos y deducirlos matemáticamente. Este tipo de redes se pueden manejar eficientemente en el área virtual, puesto que su manejo proviene de la física, estas al convertirse en cargas eléctricas digitales pueden ser manipuladas en un sistema termodinámico abierto que actúa a distancias fuera del punto térmico de equilibrio; procediendo como un sistema blando74.

3.2.1.3 Redes neuronales Artificiales. Este tipo de redes tiene como aplicación el uso del análisis de información. Tienen conectados paralelamente procesadores.

Las redes neuronales artificiales están formadas por una gran cantidad de neuronas, estas no suelen denominarse neuronas artificiales sino nodos o unidades de salida. Un nodo o neurona cuenta con una cantidad variable

72 Ibit., p.67 73 ZÁRATE, C. Aplicaciones de potenciales evocados para la generación de señales bioelectromagnéticas de identificación personal. 2008. p. 80 74 Ibit., p, 92

41

de entradas que provienen del exterior (X1, X2, ......, Xm). A su vez dispone de una sola salida (Xj) que transmitirá la información al exterior o hacia otras neuronas. Cada Xj o señal de salida tiene asociada una magnitud llamada peso; este se calculará en función de las entradas, por lo cual cada una de ellas es afectada por un determinado peso (Wjo...Wjq+m). Los pesos corresponden a la intensidad de los enlaces sinápticos entre neuronas y varían libremente en función del tiempo y en

cada una de las neuronas que forman parte de la red75.(Figura 14)

Figura 15. Esquema de una neurona

Fuente: SOTOLONGO, G.; GUZMÁN, Maria Victoria. Aplicaciones de las redes neuronales. El caso de la bibliometría. brain, 2001, vol. 65, no 3, p. 386-408. p.5.

3.2.2 Plataformas Utilizadas en la implementación de brain computer interface.A continuación se definen las diferentes plataformas que permiten el desarrollo e implementación de sistema BCI en los diferentes sistemas operativos76. (Tabla 1).

75SOTOLONGO, G. and GUZMÁN, M. Aplicaciones de las redes neuronales. El caso de la bibliometría. brain,

2001, vol. 65, no 3, p. 386-408. p.5 76MARTÍNEZ, F. GARCÍA, P.and RODRÍGUEZ, G. Estado del arte en plataformas software para el desarrollo de sistemas Brain Computer Interface. 2014. p.9

42

Tabla 1.Descripción de plataformas brain computer interface77

PLATAFORMA ESCLARECIMIENTO

BCI2000 Es una plataforma dirigida al desarrollo de investigación sobre BCI. Actualmente se utiliza para la captación de datos, estímulos y seguimiento de la actividad cerebral. Las plataformas se encuentran soportadas por un equipo de científicos y programadores que mantienen constantemente investigando con el fin de ampliar los alcances del modelo BCI2000; creando nuevas tecnologías de compatibilidad de nuevos dispositivos. La influencia que ha generado el BCI en la sociedad científica resalta que desde el 2011, la plataforma ha sido utilizada por más de 1000 usuarios. El alto uso del BCI en las diferentes áreas de la medicina a incrementado la usabilidad de la plataforma BCI2000, demostrando una gran capacidad de su utilidad.

OpenVIBE Es una plataforma de software libre y de código abierto para el diseño, prueba y uso de interfaces cerebro-ordenador. Es una agrupación de módulos de software que están dirigidos a constituir con BCI funcionales. No es posible calcular la cantidad de usuarios que utilizan la plataforma, porque no cuenta con un sistema de registro de usuarios para la descarga del software. Existe una base de datos que cuenta con un historial de las universidades, institutos, centros médicos y herramientas para personas con discapacidades alrededor del mundo.

BCILAB Es un conjunto de herramientas de código abierto basada en MATLAB para los estudios dirigidos al BCI. Su interacción con los usuarios esta soportada por una amplia colección de métodos establecidos, así como los últimos avances en las investigaciones más recientes. Se enfoca en la realización de test que interactúa activamente con su ambiente con una dinámica conocida en los datos de entrada y salida (tiempo real), la constante evaluación de nuevas aplicaciones BCI, y la comparación de los métodos de BCI. El BCILAB no se encuentra enfocado en aplicaciones médicas y de uso comercial; en el mercado se pueden encontrar versiones compiladas de BCILAB que están disponibles para llevar acabo versiones independientes para BCI.

AsTeRICS Su fácil implementación y bajos costos de elaboración la categorizan como tecnologías de asistencia, es decir un sistema similar al Pyff donde se trata la manifestación del estímulo, logrando controlar dispositivos diversos como webcam, interruptores, teclados y otros periféricos.

Fuente: Los Autores

77 Ibit., p, 9

43

Tabla 1. Descripción de plataformas brain computer interface (Continuación).

PLATAFORMA ESCLARECIMIENTO

BCI ++ Suministra un toolbox para el eficiente desarrollo de superficies de contacto (Interface) cerebro-ordenador y la acción reciproca de usuario-ordenador. El primer módulo de interfaz de hardware se centra en la captación de señal, datos, la visualización y el procesamiento de estos en tiempo real. El siguiente módulo se define Aenima y suministra una interfaz gráfica de usuario (GUI). Resaltar la posibilidad de implementación de un sistema BCI basado en Arduino que adquiere hasta 16 canales a 256 Hz, y al mismo tiempo muestra cómo implementar nuevos dispositivos electrónicos como Tablet y smartphones.

TOBI Es una agrupación de interfaces que permite la interacción o conexión de diferentes sistemas BCI. Estas interfaces cuentan con un sistema de transferencia de datos en bruto, características extraídas, provenientes del clasificador y eventos de una manera generalizada. Por lo tanto suministra la distribución de la investigación entre los distintos sistemas y plataformas BCI. Los módulos están relacionados por diferentes interfaces, denominadas como TiA, TiB y TiC (interfaz de TOBI A, B, y C). Cada interfaz comunica diferentes tipos de señales que se utilizan en los sistemas BCI. El software de interfaz de usuario se basa en un algoritmo gráfico muy sofisticado que ofrece una experiencia real al usuario y que certifica a su vez la versatilidad y validez en el desarrollo de aplicaciones.

xBCI Es una plataforma generalizada dirigida al desarrollo online BCI. Provee a los usuarios una instrumento de desarrollo del sistema de fácil manejo que reduce el tiempo de desarrollarlo. De sus características enfatiza en el diseño extensible y modular, el desarrollo de sistemas basados en GUI o el soporte multiplataforma. La plataforma está compuesta de varios módulos funcionales, que pueden ser usados para realizar un sistema BCI explícito. Cada componente es único e independiente (como un plugin) y pueden ser adicionados o editados sin necesidad de compilar toda la plataforma.

Pyff Permite el desarrollo eficiente de los nuevos paradigmas que actualmente se encuentran en estudio o proceso de experimentación y nuevos experimento en el campo neuro científico. El sistema es multiplataforma y su lenguaje de programación es Python, cumpliendo una parte determinada del brain computer interface que representa al sistema de estímulo.

Fuente: Los Autores.

44

Tabla 1. Descripción de plataformas brain computer interface (Continuación).

PLATAFORMA ESCLARECIMIENTO

BF ++ Esta plataforma está dirigida a proporcionar instrumentos para el análisis, modelado y aplicación de datos de los sistemas BCI. Se adapta fácilmente a los diferentes entornos sin perder sus capacidades, creando una característica de multiplataforma. Se encuentra desarrollado en diferentes lenguajes de programación, tales como C++, XML (Lenguaje de Marcas eXtensible) y UML (Lenguaje Unificado de Modelado). los dos elementos principales del BF ++ son:

Transductor: que es responsable de la captación de señales neurofisiológicos y su categorización.

Interfaz de control, que analiza la salida del clasificador y controla los dispositivos periféricos.

Fuente: Los Autores.

3.2.2.1 Tipo de licencia y sistemas operativos. Las licencia son el contrato realizado entre el programador de un software sujeto a propiedad intelectual, a derechos de autor y el usuario, en el cual se concretan con precisión los derechos y obligaciones de ambas partes. Es el programador, o el ente que tenga los derechos de explotación, quien prefiere la licencia según la cual se comercia el software.78

Patente: conjunto de derechos exclusivos garantizados por un gobierno o autoridad al inventor de un nuevo producto (material o inmaterial) susceptible de ser explotado industrialmente para el bien del solicitante por un periodo de tiempo limitado. Derecho de autor o copyright:forma de protección proporcionada por las leyes vigentes en la mayoría de los países para los autores de obras originales incluyendo obras literarias, dramáticas, musicales, artísticas e intelectuales, tanto publicadas como pendientes de publicar79.

El GPL (Licencia Publica General): este tipo de licencia generalmente es aplica a la necesidad del copyleft, permitiendo de esta manera que las nuevas adaptaciones (versiones) del software sean siempre libres y licenciadas bajo el tipo de licencia publica general80.

78 “Open Source Definition, v1.9”. Open Source Initiative.Citado por LABRADOR, R. Tipos de Licencias de Software. 2005. p.1 79 Ibid., p, 1 80 LABRADOR. Op. cit., p. 4.

45

A continuación se muestra un análisis detallado del soporte de las diferentes plataformas y su tipo de licenciamiento (Tabla 2). Tabla 2. Comparación de SO de las diferentes plataformas BCI81

PLATAFORMA SISTEMA OPERATIVO

TIPO DE LICENCIA

TOBI

GPL, LGPL

BCI ++

GPL

OpenViBE

LGPL

BCI2000

GPL

BF ++

FREE

xBCI

GPL

BCILAB

GPL

Fuente: Los Autores

3.2.3 Aplicaciones de Brain computer interfaces. El brain computer interfaces son dispositivos que analizan las señales cerebrales con el fin de permitirles comunicación e interacción directa con el entorno. Éste tipo de tecnologías tienen muchas áreas de aplicación. Un claro ejemplo es el área de la medicina donde el BCI permite a pacientes con problemas de comunicación entre su cerebro y su sistema motriz; la capacidad de poder interactuar nuevamente con su entorno sin depender de la ayuda de otro ser humano para efectuar sus capacidades motrices. Otras áreas de aplicación para el brain computer interface son los Dispositivos de Interfaz Humana utilizados en personas 100% sanas como lo pueden ser el monopolio de los juegos de video o la constante revisión de la atención de un usuario en específico. Los BCI son un gran enfoque dentro de la investigación del funcionamiento del cerebro, se puede obtener datos directamente de la actividad generada por el cerebro de acuerdo a situaciones que sucedan en su entorno. Podemos deducir que respecto a los avances efectuados por la ciencia, respecto al estudio del cerebro se podrán crear nuevas tecnologías para áreas de estudio no exploradas82.

81MARTÍNEZ. Op. cit., p. 8 82 HINTERBERGER, T. Brain-Computer Interfaces for Communication in Paralysis: A Clinical Experimental Approach. Toward Brain-Computer Interfacing. Citado por: ESQUIVEL,J. Desarrollo de plataforma basada en Software Libre para adquisición y procesamiento de señales bioeléctricas como componente para una interfaz Cerebro-Computador. Proyecto Eléctrico, Escuela de Ingeniería Eléctrica, Universidad de Costa Rica, 2010. p.14.

46

4 METODOLOGÍA El proceso de desarrollo de un prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal pretende comprender y satisfacer las necesidades del análisis de la actividad cerebral. Para poder lograr el desarrollo de una aplicación que permita el análisis de la actividad eléctrica producida por el cerebro, existen muchos modelos que garantizan eficiente desarrollo. A continuación se describe la metodología aplicada.

4.1 MODELO DE CICLO DE VIDA DEL SOFTWARE EN ESPIRAL

En 1988 Boehm propone el modelo en espiral, para superar las limitaciones del modelo en cascada. La espiral se forma a partir de una serie de ciclos de desarrollo y va evolucionando. Los ciclos internos del espiral denotan análisis y prototipo y los externos el modelo clásico. En la dimensión radial están los costos acumulativos y la dimensión angular representa el progreso realizado en cada etapa.En cada ciclo se empieza identificando los objetivos, las alternativas y las restricciones del mismo. Se deben evaluar las alternativas de solución respecto de los objetivos, considerando las restricciones en cada caso. Es en éste momento en que se puede llevar a cabo el siguiente ciclo.Una vez finalizado, comienza el planteo de un nuevo ciclo. Durante cada ciclo de la espiral, aparece el análisis de riesgos, identificando situaciones que pueden hacer fracasar el proyecto, demorarlo o incrementar su costo. El análisis de riesgo representa la misma cantidad de desplazamiento angular en cada etapa y el volumen barrido denota el incremento de los niveles de esfuerzo requeridos para el análisis de riesgo.83 Pueden resumirse las siguientes ventajas respecto al modelo espiral: Se explicitan las diferentes alternativas posibles para lograr los

objetivos. El modelo tiene en cuenta la identificación de los riesgos para cada

alternativa y los modos de controlarlos84.

4.2 ESPECIFICACIÓN DE FLUJO DE TRABAJO

Para poder comprender la secuencia de pasos que se tuvieron en cuenta en el proceso de desarrollo del prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neural. Se puede observar en la Figura 15 las actividades.

83CATALDI, Z. Una metodología para el diseño, desarrollo y evaluación de software educativo. 2000. Tesis Doctoral.Facultad de Informática. P.36 84Ibid., p, 37

47

Figura 16. Diagrama de Actividades

Fuente: Los Autores

4.3 ADAPTACIÓN DE LA METODOLOGÍA En el proceso de desarrollo, el equipo de programadores se enfrenta a un arduo trabajo de ingeniería de software para cumplir con el prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal. Para realizar este conjunto de pasos, existen muchas técnicas las cuales ofrecen un marco de desarrollo que garantizan la calidad del resultado. A continuación se presentan algunas de las técnicas utilizadas: 4.3.1 Proceso de obtención de requerimientos.Para la obtención de requerimientos se estableció una reunión entre las partes interesadas

48

(stakeholders) y los desarrolladores del proyecto, en la cual se detalló la funcionalidad de la interfaz BCI. Se realizaron pruebas con los desarrolladores del proyecto para así determinar el tipo de información que la interfaz arroja y determinar los requerimientos de los stakeholders. 4.3.2 Proceso análisis de requerimientos. En el análisis de requerimientos se establecieron reuniones con el ingeniero al frente del proyecto, con el cual se establecieron los siguientes requerimientos funcionales para el desarrollo de la investigación y su implementación. Tabla 3. Requerimientos Funcionales

Iniciar captura de imagen

Seleccionar las dimensiones de captura.

Establecer frecuencia de captura.

Establecer duración de la captura.

Establecer Ubicación de las imágenes.

Establecer Ubicación del archivo plano.

Comparar imágenes Fuente: Los Autores.

4.3.3 Proceso de especificación de requerimientos.Con los requerimientos establecidos se realizó una especificación de los mismos, detallando las entradas, las salidas y las posibles excepciones que puede tener los requerimientos funcionales.

4.3.4 Proceso de validación de requerimientos. Con los requerimientos documentados y especificados se procedió a la validación con el ingeniero al frente del proyecto el cual estuvo de acuerdo con los requerimientos establecidos en la Tabla 3 y plenamente documentados en el anexo A; lo que permitió proceder a diseñar el software. 4.3.5 Proceso de diseño. Para el diseño de software se utilizó el Lenguaje de Moldeamiento Unificado (UML) donde se modelo tanto las posibles interacciones con los actores como el plano de funcionamiento del sistema.

4.3.6 Proceso de Modelamiento. El modelamiento partió de un documento SRS (especificación de requerimiento de software) para analizar cómo desarrollar el software. Se utilizó lenguaje estándar de modelamiento UML que permite describir el prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal desde su interacción con los actores internos y externos, hasta culminar su implementación.

49

4.3.7 UML.Para lograr el estudio y comprensión del prototipo se realizaron diagramas del lenguaje UML, permitiendo visualizar, especificar, construir y documentar los elementos para el desarrollo del sistema. A continuación se detalla los diagramas utilizados para el desarrollo (Tabla 4). Tabla 4. Tipos de diagramas utilizados.

ID NOMBRE DIAGRAMA

1 Casos de uso

2 Diagrama de clases

3 Diagrama de secuencias.

4 Diagrama de actividades.

5 Diagrama máquinas de estado.

Fuente: Los Autores

4.3.8 Proceso de construcción. En la construcción se tuvo en cuenta el lenguaje de programación java, dado que sobre el mismo se tenían buenos conocimientos y es uno de los lenguajes más usados en el mercado. 4.3.9 Proceso de pruebas.

Algunas metodologías recientes, como la programación extrema (Beck and Andres,2004), usan pruebas de regresión automatizadas como medio fundamental para desarrollar software. De acuerdo con esta práctica, no se introducen características al software a menos que haya una prueba que indique una condición errónea. Mientras se codifica se van introduciendo nuevas pruebas y no se termina hasta que no se ejecuten pruebas de regresión unitarias sin errores. Tras dichas comprobaciones, se integra el código nuevo con el resto del sistema y se vuelven a ejecutar todas las pruebas de integración.85

4.3.10 Proceso de pruebas de caja negra.En la construcción de las pruebas se validó las funcionalidades del software creando una suite que certifica el proceso de caja negra por medio del estándar JUNIT, permitiendo realizar la ejecución de clases java de manera controlada, para poder evaluar el funcionamiento de cada uno de los métodos como se muestra en la figura 16.

85TUYA, J; ROMÁN, I,AND COSÍN, J (ed.). Técnicas cuantitativas para la gestión en la ingeniería del

software. NetBiblo, 2007. p. 58 -59.

50

Figura 17. Resultado pruebas de caja negra.

Fuente: Los Autores.

51

5 CONCEPCIÓN DEL PROTOTIPO PARA LA IDENTIFICACIÓN DE CAMBIOS VISUALES EN EJERCICIOS DE ESTIMULACIÓN BIOELECTRICA

NEURONAL. A continuación se describen los esquemas (UML) usados para el desarrollo del prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neural.

5.1 ESPECIFICACIÓN DE FUNCIONALIDAD DEL PROTIPO Para comprender mejor el alcance y las necesidades del prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal, es necesario describir cuáles son los límites para el desarrollo de la aplicación y cumplir con los requerimientos establecidos (Tabla 5). Tabla 5. Requerimientos funcionales

CÓDIGO REQUERIMIENTOS

RF1 Iniciar captura de imagen RF2 Seleccionar las dimensiones de captura. RF3 Establecer frecuencia de captura. RF4 Establecer duración de la captura. RF5 Establecer Ubicación de las imágenes. RF6 Establecer Ubicación del archivo plano. RF7 Comparar imágenes

Fuente: Los Autores

Tabla 6.Especificación requerimiento realizar captura de pantalla

Identificador: RF1 Nombre: Iniciar Captura de Imagen

Tipo: Necesario Prioridad: Alta

ENTRADA

Clic en botón: Empezar captura.

SALIDA

Una carpeta con un nombre y ubicación establecida que contiene una serie de imágenes, y un mensaje indicando que la captura fue realizada.

Precondición: RF3,RF4,RF5,RF2

Descripción: En este requerimiento el usuario da inicio a la captura de imágenes.

Poscondición: Una carpeta ubicada en el disco contendrá las imágenes generadas.

Manejo de situaciones anormales (Excepciones): Fuente: Los autores

52

Para consultar los requerimientos funcionales del prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal diríjase al ANEXO A. especificación de requerimientos funcionales.

5.2 ESPECIFICACIÓN DE INTERACCIÓN DEL PROTOTIPO Es importante comprender lo que hace un sistema en desarrollo, sin tener que detallar como se implementa el funcionamiento del prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal. A continuación se describe el funcionamiento del sistema y la interacción con el modelado. Figura 18.Diagrama de casos de uso

Fuente: Los Autores.

Para consultar los casos de uso del prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal diríjase al ANEXO B. especificación de interacción.

53

Como ya se identificaron los casos de uso apropiados del sistema en la figura 17, a continuación corresponde detallar los pasos necesarios para cumplir con dicho caso de uso. Tabla 7. Especificación caso de uso Seleccionar dimensiones.

No 1

Nombre Iniciar la Captura de Imágenes

Descripción Este caso de uso permite al usuario establecer, los parámetros necesarios para iniciar la captación de imágenes.

Actores Primario :Usuario

Fase Terminado

Guión Actor Sistema

1. Establecer Frecuencia de captura(ver CU #3)

2. Establecer duración de la captura (ver CU#4)

3. Establecer ubicación de imágenes (ver CU#5)

4. Seleccionar dimensiones de captura (ver CU#2)

5. Crea una carpeta en la ubicación y con el nombre establecido en (CU#5)

6. Inicia la captación de imágenes que tendrá la duración establecida en (CU#4) y una frecuencia establecida en (CU#3).

7. Almacena la imagen en memoria principal que tendrá las dimensiones establecidas en (CU#2).

8. Escribe la imagen en memoria secundaria según la ubicación establecida en (CU#5) en formato png.

Excepciones

54

Prototipo de pantalla

Fuente: Los Autores.

5.3 ESPECIFICACION DE RELACIÓN DEL PROTOTIPO Para poder comprender la vista estática del prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal, se presenta un conjunto de clases, interfaces, colaboraciones y relaciones, que se consignan en la Figura 18.

55

Figura 19. Diagrama de clases.

Fuente: Los Autores.

56

5.4 ESPECIFICACIÓN DE LA COMUNICACIÓN DEL PROTOTIPO Para comprender la comunicación entre los objetos, la iteración y secuencias de mensajes que se intercambian. Se presenta en la figura 19 un esquema a través del tiempo. Figura 20. Diagrama de secuencias

Fuente: Los Autores.

Para consultar las especificaciones del diagrama de secuencias del prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal diríjase al ANEXO C. especificación de comunicación.

57

5.5 ESPECIFICACIÓN DEL COMPORTAMIENTO PARA EL PROTOTIPO Para poder analizar el comportamiento dinámico de las acciones, actividad, transiciones y objetos. Se presenta en la figura 20 un diagrama que muestra el flujo de control entre las actividades. Figura 21 Diagrama de actividad de la captación de imágenes.

Fuente: Los Autores.

Para consultar las especificaciones del diagrama de actividad del prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal diríjase al ANEXO D. especificación del comportamiento.

58

5.6 ESPECIFICACIÓN DE MAQUINAS DE ESTADO PARA EL PROTOTIPO Para poder modelar el comportamiento de un solo objeto, especificando la secuencia de eventos que un objeto atraviesa durante su tiempo de vida en respuesta a los objeto. Se presenta en la figura 21 un diagrama que muestra el flujo de control entre las actividades. Figura 22.Diagrama de máquinas de estado 1.

Fuente: Los autores.

Para consultar las especificaciones del diagrama de máquinas de estado del prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal diríjase al ANEXO E. especificación de máquinas de estado.

59

6 PROTOTIPO PARA LA IDENTIFICACIÓN DE CAMBIOS VISUALES EN

EJERCICIOS DE ESTIMULACIÓN BIOELÉCTRICA NEURONAL En este capítulo se exhiben las imágenes correspondientes al prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal de acuerdo a la ingeniería de software que se plasmó en los capítulos anteriores. A continuación se presenta la aplicación y sus diferentes funciones. En la Figura 23 se presenta la interfaz principal que permitirá al usuario iniciar parametrizar la captación de imágenes. Figura 23. Ventana principal.

Fuente: Los Autores.

En la figura 24 se muestra los elementos asociados a parte del prototipo que se encarga de la frecuencia de captura. Figura 24. Prototipo de pantalla de frecuencia.

60

Fuente: Los Autores.

En la figura 25 se muestra los elementos asociados a parte del prototipo que se encarga del intervalo de captura; el tiempo que durara realizando la captura. Figura 25. Prototipo de pantalla intervalo.

Fuente: Los Autores.

En la figura 26 se muestra los elementos asociados a parte del prototipo que se encarga de la selección de ubicación de captura de imágenes. Figura 26. Prototipo de ubicación de imágenes.

Fuente: Los Autores

61

En la figura 27 se muestra los elementos asociados a parte del prototipo que se encarga de la ejecución y análisis de imágenes.

Figura 27. Prototipo de pantalla ejecución.

Fuente: Los Autores

62

7 PRUEBAS DEL PROTOTIPO PARA LA IDENTIFICACIÓN DE CAMBIOS VISUALES EN EJERCICIOS DE ESTIMULACIÓN BIOELÉCTRICA

NEURONAL A continuación se procede a probar el prototipo para la identificación de cambios visuales de estimulación bioeléctrica neuronal con dos imágenes iguales; con una variación una de la otra en la posición.

7.1 PRUEBA DE PROTOTIPO DOS Se realiza el análisis de las imágenes,la comparación debe concluir en una variación cercana al 100%; las imágenes utilizadas por el prototipo son de mayor tamaño, para facilidad de visualización se muestra en este documento a escala indicado por los resultados del archivo de texto. En la figura 28 se muestra la primera imagen para la prueba uno. Figura 28. Imagen 1 para prueba uno.

Fuente: Los autores.

A continuación en la figura 29 se muestra la imagen 2 para la prueba uno. Figura 29. Imagen 2 para prueba uno.

Fuente: Los autores.

63

Los datos obtenidos del prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal en la figura 30, se logró comparando la Figura 28 y la figura 29. Figura 30. Resultado obtenido por el prototipo prueba uno.

Fuente: Los autores.

El resultado nos indica que hubo un cambio en cada cuadrante cercano al 100%, para lograr obtener estos datos se ha tomado solo 4 cifras significativas. En el caso de los valores 1.0 indican que el resultado fue 0.9999 y a causa de que el prototipo cuenta con operaciones de redondeo acerca el valor a 1.0.

7.2 PRUEBA DE PROTOTIPO DOS. La siguiente prueba utiliza una imagen muy conocida que es el yin yang, se toma la imagen original y con un software sencillo de edición de imagen como Paint, se procede a girarla 180 grados para generar dos imágenes totalmente distintas; se espera que el prototipo detecte la diferencia. Figura 31. Imagen1 para prueba dos

Fuente: Los autores.

64

A continuación se muestra la segunda imagen de la prueba dos que será comparada por el prototipo. Figura 32. Imagen 2 para prueba 2.

Fuente: Los autores.

Los datos obtenidos del prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal en la figura 33, se logró comparando la Figura 31 y la figura 32. Figura 33. Resultados obtenido por el prototipo prueba dos

Fuente: Los autores.

El resultado indica que hubo un cambio en cada cuadrante cercano al 74%, es un cambio significativo. Se debe tener en cuenta que el borde de la circunferencia no cambia de color por lo contrario se mantiene negra; debido a esto los resultados no son cercanos al 100%.

7.3 PRUEBA DE PROTOTIPO TRES. La siguiente prueba utiliza dos cuadriculas intercaladas en blanco y negro creadas en el editor paint; la segunda cuadricula varia de la primera. Los cuadros son de color negro, luego son blancos y mantienen intercalados los colores.

65

Figura 34. Imagen 1 para prueba 3.

Fuente: Los autores.

A continuación se muestra la segunda imagen de la prueba tres que será comparada por el prototipo. Figura 35. Imagen 2 para prueba 3

Fuente: Los autores.

Los datos obtenidos del prototipo para la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal en la figura 36, se logró comparando la Figura 34 y la figura 35. Figura 36.Resultados obtenido por el prototipo prueba tres.

Fuente: Los autores.

El resultado indica que hubo un cambio en los cuatro cuadrante entre 89% y el 92%.

66

7.4 PRUEBAS DE PLATAFORMA DEL PROTOTIPO

Se realizan pruebas del prototipo para la identificación de cambios visuales en ejercicios de estimulación bioelectrica neauronal con brain software interface en las siguientes plataformas: 7.4.1 Linux. Se utiliza la versión Fedora 14, jre 8u5 y un hardware virtualizado con las siguientes especificaciones:

Memoria: RAM de 1 GB

Disco duro: 50 GB

Procesador: 1 núcleo

El sistema operativo no permite la utilización de ventanas traslucidas, cuando se intenta seleccionar el área a capturar de la pantalla, el software despliega una ventana la cual no es transparente, no muestra el botón aceptar para indicar que el área ya ha sido seleccionada y no refresca el panel de esta misma, permitiendo asi concluir que aunque el software esta realizado en un lenguaje multiplataforma este mismo no lo es. 7.4.2 Windows. Se utilizó la versión 6.1.7600 o Windows 7 home Premium x64, jre 8u5 y un hardware con las siguientes especificaciones: • Procesador: Intel(R) Core(TM) i5-2410M CPU @ 2.30 GHz • Memoria: RAM 4 GB • Disco duro: 500 GB Bajo esta plataforma el software funciono sin ningún inconveniente, y bajo esta plataforma se realizó las pruebas mencionadas en el capítulo anterior.

67

8 CONCLUSIONES El prototipo permite la identificación de cambios visuales en ejercicios de estimulación bioeléctrica neuronal para tratamientos en niños con TDAH y promueve la implementación de herramientas en áreas de la salud mental que soporten las etapas importantes del desarrollo cognitivo de los infantes. Al desarrollar las pruebas los resultados obtenidos indican que en el mejor de los casos el prototipo tiene una aceptación de 99.99% por cuadrante con un margen de error 10-4. Debido a que las figuras que se utilizaron en la pruebas fueron modificadas, se creó una segunda imagen con un giro de 180 grados; se identifica que algunas secciones de la imagen siguen siendo iguales, por este motivo en las pruebas realizadas se evidencia un déficit de comparación de 1.65 %. Concluyendo que los resultados del prototipo son altamente confiable. El sistema operativo Linux no permite la utilización de ventanas traslucidas, cuando se intenta seleccionar el área a capturar de la pantalla, el software despliega una ventana que no es transparente, no muestra el botón aceptar para indicar que el área ya ha sido seleccionada y no refresca el panel de esta misma, permitiendo así concluir que aunque el software esta realizado en un lenguaje multiplataforma este mismo no lo es. A pesar que el prototipo cumple con los resultados esperados y puede tener una gran aplicabilidad en varios ámbitos de la salud mental, se propone una integración que permita captar las señales electromagnéticas de la corteza cerebral directamente desde el dispositivo BCI. Para logar unos resultados óptimos de las ondas electromagnéticas del cerebro es impórtate que la imagen a la que se le realiza la captación no varié su escala.

68

BIBLIOGRAFÍA ADRIAN, E and MATWES, S. The Berger Rythm: Potential changes from the occipital lobes of man, Citado por: HARMONY, T. Origen del electroencefalograma. Salud Mental, 1990, vol. 13, no 3, p. 27. ÁLVAREZ, L., GONZÁLEZ, C., NÚÑEZ, J., GONZÁLEZ. J., AND BERNARDO, A. Evaluación y control de la activación cortical en el déficit de atención sostenida. International Journal of Clinical and Health Psychology. 2, 2008, p.509-524. BAÑÓN, J, COMPUTACIÓN GRAFICA fundamentos teóricos.2012. p.172. BAREA, R. Tema 5: Electroencefalografía. Instrumentación Biomédica. Departamento Electrónica. Universidad Alcalá. p. 2. _______,[En linea] http://www.bioingenieria.edu.ar/academica/catedras/bioingenieria2/archivos/apuntes/tema%205%20-%20electroencefalografia.pdf [Citado el: 21 de 09 de 2014] BROCA, P. Remarques sur la siège de la faculté du langage articulé, suivi d’une observation d’aphémie. Bull Anat Soc Citado Por: FUSTER, J. El paradigma reticular de la memoria cortical. Rev Neurol, 2010, vol. 50, no Supl 3, p. S3. BUDZYNSKI, T., et al. (ed.). Introduction to quantitative EEG and neurofeedback: Advanced theory and applications. Academic Press, 2009. p.29-30. CASTLEMAN, K. Digital Image Processing, Citado por FRESNO, Mariana del; VÉNERE, Marcelo. Un método de segmentación de imágenes digitales tridimensionales por crecimiento de regiones. En VIII Congreso Argentino de Ciencias de la Computación. 2002. p.3. CATALDI, Z. Una metodología para el diseño, desarrollo y evaluación de software educativo. 2000. Tesis Doctoral. Facultad de Informática. P.37. COSSIO, E. and GENTILETTI, G. INTERFAZ CEREBRO COMPUTADORA (ICC) BASADA EN EL POTENCIAL RELACIONADO CON EVENTOS P300: ANÁLISIS DEL EFECTO DE LA DIMENSIÓN DE LA MATRIZ DE ESTIMULACIÓN SOBRE SU DESEMPEÑO–Brain-computer interface based on the P300 event-related potential: analysis of t. Revista Ingenieria Biomedica, 2008, vol. 2, no 4, p. 27. COTO, E. Métodos de segmentación de imágenes médicas. Universidad Central de Venezuela: Lecturas en Ciencias de la Computación, 2003, vol. 1, p. 5. ________, Métodos de segmentación de imágenes médicas. Universidad Central de Venezuela: Lecturas en Ciencias de la Computación, 2003, vol. 1, p. 9-15.

69

DIEPRESSE. Computerwissenschaft: Wenn das Gehirn würfelt [En línea]. <http://diepresse.com/home/science/710027/Computerwissenschaft_Wenn-das-Gehirn-wurfelt> [Citado el: 21 de 09 de 2014] ELLIOT, R. Executive Functions and their disorders. British Medical Bulletin, 2003. p. 49–59. FRANCÉS, I., et al. Estimulación psicocognoscitiva en las demencias. EnAnales del sistema sanitario de Navarra. 2003. P.408 – 412. FUSTER, J. El paradigma reticular de la memoria cortical. Rev Neurol, 2010, vol. 50, no Supl 3, p. S5. GALVIS, Y, POSADA, V, MEJÍA, R, BAREÑO, S, SIERRA. G, MONTOYA, L, AND AGUDEO, A. Primer Estudio Poblacional de Salud Mental Medellín, 2011-2012. Secretaria de Salud de Medellín – Grupo de Investigación en Salud Mental – Universidad CES. ISBN: 978-958-8674-15-5. 2010, p. 10. GARZÓN, J, et al. Uso de una BCI (Brain Computer Interface) como enlace interactivo, terapéutico y de aprendizaje dirigido a personas con discapacidad cognitiva y motora. p.2. ________, Uso de una BCI (Brain Computer Interface) como enlace interactivo, terapéutico y de aprendizaje dirigido a personas con discapacidad cognitiva y motora. p.5. ________,________. p.6. GARZON, L, SAN PALO DE LA TORRE, A, CORTÉS, E and PRIETO. J. Informática. Temario A. Volumen Iv. Profesores de Educación Secundaria Ebook. España. 2003. p.310. GLEZ-MORCILLO, D. VALLEJO, J. ALBUSAC, L. JIMENEZ, J. CASTRO-SANCHEZ. A New Approach to Grid Computing for Distributed Rendering, proceeding In P2P, Parallel, Grid, Cloud And Internet Computing, October 2011, p. 9-16. GONZÁLEZ, P. et al. Atención y activación. Aula abierta, 1999, vol. 73, p. 21-38. GONZÁLEZ, P. Evaluación neuropsicológica de las funciones ejecutivas en niños con trastorno por déficit de atención con hiperactividad. [Trabajo de Investigación] Universidad De La Laguna. 2006, p.10.

70

GRAIMANN B, Brain- Computer Interfaces: Revolutionizing Human-Computer Interaction. Citado por GONZÁLEZ, Neri; FRANCISCO, J. Diseño y desarrollo de un sistema para el control mental de prótesis utilizando una Interfaz Cerebro-Computadora (BCI). 2014 p.12. HINTERBERGER, T. Brain-Computer Interfaces for Communication in Paralysis: A Clinical Experimental Approach. Toward Brain-Computer Interfacing. Citado por: ESQUIVEL,J. Desarrollo de plataforma basada en Software Libre para adquisición y procesamiento de señales bioeléctricas como componente para una interfaz Cerebro-Computador. Proyecto Eléctrico, Escuela de Ingeniería Eléctrica, Universidad de Costa Rica, 2010. p.14. HOBERMAN, A, et al. Treatment of acute otitis media in children under 2 years of age. New England Journal of Medicine, 2011, vol. 364, no 2, p. 105-115. JENSEN, E. Cerebro y aprendizaje: Competencias e implicaciones educativas. Madrid: Narcea, 2004. p, 22 – 23. ________, Cerebro y aprendizaje: Competencias e implicaciones educativas. Madrid: Narcea, 2004. p,25. JUNQUE, C AND BARROSO, J. Neuropsicología. Editorial síntesis, p.1. KAWATO M. Brain controlled robots, Citado por MONTALVO, Melissa. Estado del Arte: Interfaces Cerebro Computadora. p.2. LEVINE, S. Identification of electrocorticogram patterns as the basis for a direct brain interface, Citado por GONZÁLEZ, N. and FRANCISCO, J. Diseño y desarrollo de un sistema para el control mental de prótesis utilizando una Interfaz Cerebro-Computadora (BCI). 2014. p. 9. LOAIZA, H. Introducción a los sistemas de visión en colores. Revista Energía y computación, 1999, vol. 8, no 1. p. 15. MARTÍNEZ, F. Evaluación de técnicas computacionales para el análisis lineal de señales electroencefalográficas. 2014. P,22 – 24. MARTÍNEZ, F. GARCÍA, P. and RODRÍGUEZ, G. Estado del arte en plataformas software para el desarrollo de sistemas Brain Computer Interface. 2014. p.9. MIRANDA, P. ESTUDIO COMPARATIVO DE LA ANATOMÍA CON LA TOMOGRAFÍA AXIAL COMPUTARIZADA CEREBRAL.2004 p.41 – 42. MOLINA, R. Introducción al procesamiento y análisis de imágenes digitales. Departamento de Ciencias de la Computación e IA Universidad de Granada,1998, no 30. P. 62 – 63.

71

________, Introducción al procesamiento y análisis de imágenes digitales. Departamento de Ciencias de la Computación e IA Universidad de Granada, 1998, no 30. P. 65. ________,________, 1998, no 30. P. 64. ________,________, 1998, no 30. P. 65. MUÑOZ, H. and NUREIBIS, C. Estudio de técnicas de análisis y clasificación de señales EEG en el contexto de sistemas BCI (Brain Computer Interface). 2014. p.10. MUSTARD, F. La inversión en la primera infancia como política pública . Bogotá: Panamericana formas e impresos. 2003, p.43. NOSOLOFREUD. Partes importantes I. Los lóbulos [En línea]. < https://nosolofreud.wordpress.com/2009/07/14/partes-importantes-i-los-lobulos> [Citado el: 25 de 09 de 2014] OLIVARES, O. Epilepsia: Cirugía y Electroencefalografía, un Siglo y algo más de Historia. Rev Chil Epilepsia, 2000, vol. 1, p. 2-3. ______, Epilepsia: Cirugía y Electroencefalografía, un Siglo y algo más de Historia. Rev Chil Epilepsia, 2000, vol. 1, p.5. “Open Source Definition, v1.9”. Open Source Initiative. Citado por LABRADOR, R. Tipos de Licencias de Software. 2005. p.1. ORJALES. I. AND MATXALEN. D. Programa de Entrenamiento en Planificación. Editorial CEPE. Madrid. España. 2007, p.10. PAJARES, G, et al. Imágenes Digitales. Procesamiento práctico con Java, 2004. p.10-15. PALACIOS, L. Breve historia de la electroencefalografía. Acta Neurológica Colombiana, 2002, vol. 2, p. 104-105. RONCAGLIOLO, P. Procesamiento Digital de Imágenes, [En línea] http://www2.elo.utfsm.cl/~elo328/PDI03_Operadores_Basicos.pdf [Citado el: 26 de Julio de 2014.]. ________, Procesamiento Digital de Imágenes, [En línea] http://www2.elo.utfsm.cl/~elo328/PDI03_Operadores_Basicos.pdf [Citado el: 26 de Julio de 2014.].

72

ROURKE, L, et al. Assessing social presence in asynchronous text-based computer conferencing. International Journal of E-Learning & Distance Education, 2007, vol. 14, no 2, p. 50-71. ROWN, L and CAMPIONE, C. Psychological theory and the study of learning disabilities. American psychologist, 1986, vol. 41, no 10, p. 1059. SHIRLEY, P. Fundamentals on Computer Graphics, Citado por BAÑÓN, J, COMPUTACIÓN GRAFICA fundamentos teóricos.2012. p.172. SLACHEVSKY, C, PÉREZ, C, SILVA, J, ORELLANA, G, PRENAFETA1, M, ALEGRIA1, P AND PEÑA, M. Córtex prefrontal y trastornos del comportamiento: Modelos explicativos y métodos de evaluación. RevistaChilena de Neuropsiquiatria, 2005, 43(2), p.109-121. SOTOLONGO, G. and GUZMÁN, M. Aplicaciones de las redes neuronales. El caso de la bibliometría. brain, 2001, vol. 65, no 3, p. 386-408. p.5. ________, Aplicaciones de las redes neuronales. El caso de la bibliometría. brain, 2001, vol. 65, no 3, p. 386-408. p.6. STELZER, F AND CERVIGNI, M. Desempeño académico y funciones ejecutivas en infancia y adolescencia. Una revisión de la literatura. Revista de Investigación en Educación,9(6), 2011,p.148-156. SUÁREZ, G. FÍSICA, Educación. Técnica, biomecánica y aprendizaje motriz. Aprendizaje motor: elementos para una teoría de la enseñanza de las habilidades motrices. Medellín: Funámbulos Editores, 2007, p. 11. TUYA, J; ROMÁN, I, AND COSÍN, J (ed.). Técnicas cuantitativas para la gestión en la ingeniería del software. NetBiblo, 2007. p. 58 -59. WEINBERG, W, GALLAGHER, L, HARPER, C AND DAVIES, J. The Impact of School on AcademicAchievement. Child AdolescPsychiatClin. 6.3. 1997, p.593-606. ZÁRATE, C. Aplicaciones de potenciales evocados para la generación de señales bioelectromagnéticas de identificación personal. 2008. p. 80. ZHANG, Y. A survey on evaluation methods for image segmentation. Citado por COTO, Ernesto. Métodos de segmentación de imágenes médicas. Universidad Central de Venezuela: Lecturas en Ciencias de la Computación, 2003, vol. 1, p. 8.

73

ANEXOS A continuación se presentan los anexos que soportan el prototipo para la identificación de cambios visuales en estimulación bioeléctrica neuronal.

ANEXO A. REQUERIMIENTOS FUNCIONALES

RF 1. Requerimiento funcional 1.

Identificador: RF1 Nombre: Iniciar Captura de Imagen

Tipo: Necesario Prioridad: Alta

ENTRADA

Clic en botón: Empezar captura.

SALIDA

Una carpeta con un nombre y ubicación establecida que contiene una serie de imágenes, y un mensaje indicando que la captura fue realizada.

Precondición: RF3,RF4,RF5,RF2

Descripción: En este requerimiento el usuario da inicio a la captura de imágenes.

Pos condición: Una carpeta ubicada en el disco contendrá las imágenes generadas.

Manejo de situaciones anormales (Excepciones): Fuente: Los Autores.

RF2.Requerimiento funcional 2.

Identificador: RF2 Nombre: Seleccionar dimensiones de captura

Tipo: Necesario Prioridad: Alta

ENTRADA

Área de la pantalla seleccionada con el mouse.

SALIDA

La posición en pantalla y el ancho y alto seleccionado.

Precondición: Ninguna

Descripción: En este requerimiento el usuario establece la posición y las dimensiones de la captura a realizar.

Pos condición:

Manejo de situaciones anormales (Excepciones): Cuando las dimensiones sean cero muestra el mensaje: “El ancho o alto de la imagen no pueden ser cero”, Cuando las dimensiones sean menores que 4 pixeles muestra el mensaje: “Las dimensiones deben ser mayores o iguales a 4 pixeles

Fuente: Los Autores

74

RF3.Requerimiento funcional 3.

Identificador: RF3 Nombre: Establecer frecuencia de captura

Tipo: Necesario Prioridad: Alta

ENTRADA

Frecuencia de captura

Medida de tiempo.

SALIDA

Ninguna

Precondición: Ninguna.

Descripción: En este requerimiento se establece cada cuanto el software realiza la captura de imagen

Pos condición: En memoria debe quedar almacenada la frecuencia y la medida de tiempo.

Manejo de situaciones anormales (Excepciones):

Si la frecuencia de captura ingresada es negativa el software lanzara el mensaje:

“La frecuencia debe ser positiva”

Si la medida de tiempo no es milisegundo, segundo o minuto lanzara el mensaje: “La medida de tiempo no es válida”

Fuente: Los Autores

RF4.Requerimiento funcional 4.

Identificador: RF4 Nombre: Establecer Duración de la captura

Tipo: Necesario Prioridad: Alta

ENTRADA

Duración de la captura

Medida de tiempo.

SALIDA

Ninguna

Precondición: Ninguna.

Descripción: En este requerimiento se establece por cuánto tiempo el software realizara captura de imágenes.

Pos condición: En memoria debe quedar almacenada la duración de captura y la medida de tiempo.

Manejo de situaciones anormales (Excepciones):

Si la duración de captura es menor que la frecuencia de captura genera el mensaje: “El intervalo debe ser mayor o igual a la frecuencia de captura”

Si la medida de tiempo no es milisegundo, segundo o minuto lanzara el mensaje: “La medida de tiempo no es válida”

Fuente: Los Autores

75

RF 5.Requerimiento funcional 5.

Identificador: RF5 Nombre: Establecer Ubicación de las imágenes

Tipo: Necesario Prioridad: Alta

ENTRADA

Ubicación de las imágenes

Nombre de la carpeta

Nombre de las imágenes

SALIDA

Ninguna

Precondición:

Descripción: En este requerimiento el usuario selecciona la ubicación absoluta de la carpeta en la que se guardan las imágenes.

Pos condición: La ubicación de las imágenes quedara almacenada en memoria.

Manejo de situaciones anormales (Excepciones):

Si no se ha ingresado la ubicación de las imágenes genera el mensaje: “No ha establecido la ubicación de las imágenes”.

Si la ubicación no es válida genera el mensaje: “No es una ubicación válida”.

Si no se ha ingresado el nombre de la carpeta muestra el mensaje: “No ha establecido el nombre de la carpeta”.

Si el nombre de la carpeta contiene caracteres inválidos muestra el mensaje: “El Nombre de la carpeta contiene caracteres inválidos”.

Si el directorio existe muestra el mensaje: “El directorio ingresado ya existe”

Si no ha ingresado el nombre de las imágenes muestra el mensaje: “No ha establecido el nombre de las imágenes”.

Si el nombre de las imágenes contiene caracteres inválidos muestra el mensaje: “El nombre de las imágenes contienen caracteres inválidos”

Fuente: Los Autores

RF 6. Requerimiento Funcional 6.

Identificador: RF6 Nombre: Establecer Ubicación de el archivo plano.

Tipo: Necesario Prioridad: Alta

ENTRADA

Ubicación del archivo plano

Nombre del archivo

SALIDA

Archivo de texto plano en la ubicación establecida

Precondición: Ninguna.

Descripción: En este requerimiento el usuario selecciona la ubicación absoluta donde se generara el archivo plano con los resultados de las comparaciones.

Pos condición: Archivo de texto plano en la ubicación establecida

Manejo de situaciones anormales (Excepciones):

Si no ha ingresado la ubicación muestra el mensaje: No ha ingresado la

76

ubicación del archivo”.

Si no es una ubicación valida muestra el mensaje: “No es una ubicación válida”.

Si no ha ingresado el nombre del archivo muestra el mensaje: “No ha ingresado el nombre del archivo”.

Si el nombre de archivo contiene caracteres inválidos muestra el mensaje: “El nombre del archivo contiene caracteres inválidos”.

Si el archivo ya existe muestra el mensaje: “El archivo ya existe”. Fuente: Los Autores

RF 7. Requerimiento funcional 7.

Identificador: RF8 Nombre: Comparar imágenes

Tipo: Necesario Prioridad: Alta

ENTRADA

Ubicación de las Imágenes

RF6

SALIDA

Archivo plano con las comparaciones a nivel de pixel de las imágenes.

Precondición: Debe haber por lo menos 2 imágenes para realizar la comparación.

Descripción: Este requerimiento realiza la comparación pixel a pixel por imagen.

Pos condición: Archivo plano con el resultado de comparar las imágenes anteriormente capturadas.

Manejo de situaciones anormales (Excepciones):

Si no se ha ingresado la ubicación de las imágenes muestra el mensaje: “No ha establecido la ubicación de las imágenes”.

Si la ubicación de las imágenes no es válida muestra el mensaje: “La ubicación de las imágenes no es válida”.

Si no hay por lo menos dos imágenes para comparar muestra el mensaje: “Se necesitan mínimo dos imágenes para realizar la comparación”.

Fuente: Los Autores

77

ANEXO B. ESPECIFICACIÓN DE INTERACCIÓN CU 1. Especificación de caso de uso 1.

No 1

Nombre Iniciar la Captura de Imágenes

Descripción Seleccionar dimensiones de captura.

Actores Primario :Usuario

Fase Terminado

Guión Actor Sistema

9. Establecer Frecuencia de captura(ver CU #3)

10. Establecer duración de la captura (ver CU#4)

11. Establecer ubicación de imágenes (ver CU#5)

12. Seleccionar dimensiones de captura (ver CU#2)

13. Crea una carpeta en la ubicación y con el nombre establecido en (CU#5)

14. Inicia la captación de imágenes que tendrá la duración establecida en (CU#4) y una frecuencia establecida en (CU#3).

15. Almacena la imagen en memoria principal que tendrá las dimensiones establecidas en (CU#2).

16. Escribe la imagen en memoria secundaria según la ubicación establecida en (CU#5) en formato png.

Excepciones

78

Prototipo de pantalla

Fuente: Los Autores

79

CU 2.Especificación de caso de uso 2

No 2

Nombre Seleccionar dimensiones de captura

Descripción El caso de uso permite al usuario seleccionar el área de la pantalla donde se van a hacer capturas

Actores Primario :Usuario

Fase Terminado

Guión (esencial)

Actor Sistema

17. seleccionar el área que se desea capturar.

18. Valida que las dimensiones no sean 0.

19. Valida que las dimensiones no sean menores que 4.

20. Almacena la dimensión del área en un objeto en memoria.

Excepciones 2. Cuando las dimensiones sean 0

Actor Sistema

2.1 Muestra mensaje de “El ancho o alto de la imagen no pueden ser cero”

2.2. Termina

3. Cuando las dimensiones sean menores que 4

Actor Sistema

3.1 Muestra mensaje de “Las dimensiones deben ser mayores o iguales a 4 pixeles”

3.2. Termina

Prototipo de Pantalla

Para la selección del área se ha planteado una pantalla translucida que ocupara la totalidad de la pantalla.

Fuente: Los Autores

80

CU 3.Especificación de caso de uso 3.

No 3

Nombre Establecer frecuencia de captura

Descripción El caso de uso permite al usuario establecer la frecuencia de captura

Actores Primario :Usuario

Fase Terminado

Guión Actor Sistema

21. Ingresa la cantidad de imágenes que se deben capturar por unidad de tiempo

22. Valida que el tiempo sea positivo.

23. Almacena la cantidad de imágenes que se capturan por unidad de tiempo en memoria.

24. Ingresa la medida de tiempo utilizada en el valor de frecuencia.

25. Valida que la medida sea milisegundo, segundo o minuto.

26. 5. Almacena la cantidad de imágenes que se capturan por unidad de tiempo en memoria.

Excepciones 2. Cuando el tiempo sea negativo

Actor Sistema

2.1 Muestra mensaje de “La frecuencia debe ser positiva”

2.2. Termina

5. Cuando la medida no sea milisegundo,segundo,minuto

Actor Sistema

5.1 Muestra mensaje de “La medida de tiempo no es válida.”

5.2. Termina

81

Prototipo de Pantalla

La pantalla ofrecerá un combo-box para reducir los errores en el ingreso de la medida de tiempo como en la siguiente imagen:

Fuente: Los Autores.

CU 4.Especificación de caso de uso 4.

No 4

Nombre Establecer duración de la captura.

Descripción El caso de uso permite al usuario establecer durante cuánto tiempo desea realizar la captación de imágenes.

Actores Primario :Usuario

Fase Terminado

Guión

Actor Sistema

27. Ingresa duración de captura.

28. Ingresa la medida que se utilizara para la duración.

29. Valida que la medida sea milisegundo, segundo o minuto.

30. Valida que la duración de captura no sea menor que la frecuencia de captura.

31. Almacena la duración en memoria principal.

32. Almacena medida en memoria principal

82

Excepciones 3.Cuando la medida no sea milisegundo, segundo, minuto

Actor Sistema

3.1 Muestra mensaje de “La medida de tiempo no es válida.”

3.2. Termina

4. Cuando la duración de captura sea menor que la frecuencia de captura

Actor Sistema

4.1 Muestra mensaje de “El intervalo debe ser mayor o igual a la frecuencia de captura”

4.2. Termina

Prototipo de pantalla

La pantalla ofrecerá un combo-box para reducir los errores en el ingreso de la medida de tiempo como en la siguiente imagen:

Fuente: Los Autores.

CU 5.Especificación de caso de uso 5.

No 5

Nombre Establecer ubicación de imágenes.

Descripción El caso de uso le permite establecer al usuario la ubicación donde se creara la carpeta de las imágenes y las imágenes.

Actores Primario :Usuario

Fase Terminado

83

Guion

Actor Sistema

1. Ingresa la ubicación de las imágenes.

2. Valida que haya ingresado la ubicación de las imágenes.

3. Verifica que sea una ubicación valida.

4. Ingresa el nombre de la carpeta.

5. Valida que haya ingresado el nombre de la carpeta.

6. Valida que el nombre de la carpeta contenga caracteres válidos.

7. Valida que la carpeta no exista.

8. Ingresa el nombre de las imágenes.

9. Valida que haya ingresado el nombre de las imágenes

10. Valida que el nombre de las imágenes contenga caracteres válidos.

11. Almacena el nombre de la carpeta en memoria.

12. Almacena el nombre de las imágenes en memoria

13. Almacena la ubicación de las imágenes en memoria.

14. Retorna la ubicación de las imágenes y el nombre de la carpeta concatenados en una cadena.

84

Excepciones 2.Si no se ha ingresado la ubicación de las imágenes

Actor Sistema

2.1 Muestra mensaje de “No ha establecido la ubicación de las imágenes”

2.2. Termina

3.Si la ubicación no es valida

Actor Sistema

3.1 Muestra mensaje de “No es una ubicación válida”

3.2. Termina

5.Si no se ha ingresado el nombre de la carpeta

Actor Sistema

5.1 Muestra mensaje de “No ha establecido el nombre de la carpeta”

5.2. Termina

6. Si el nombre de la carpeta contiene caracteres inválidos

Actor Sistema

6.1 Muestra mensaje de “El Nombre de la carpeta contiene caracteres inválidos”

6.2. Termina

7. Si el directorio existe

Actor Sistema

7.1 Muestra mensaje de “El directorio ingresado ya existe”

7.2. Termina

9.Si no ha ingresado el nombre de las imágenes

Actor Sistema

9.1 Muestra mensaje de “No ha establecido el nombre de las imágenes”

9.2. Termina

85

10.Si el nombre de las imágenes contiene caracteres inválidos

Actor Sistema

10.1 Muestra mensaje de “El nombre de las imágenes contienen caracteres inválidos”

10.2. Termina

Prototipo de la pantalla

La pantalla ofrecerá tres cajas de textos para el ingreso del nombre de carpeta, nombre de imágenes y ubicación de imágenes, con respecto a este último la caja de texto tendrá la propiedad de no ser editable y en la parte inferior habrá un botón que me abrirá una ventana selectora de archivos para reducir posibles equivocaciones.

Fuente: Los Autores.

86

CU 7.Especificación de caso de uso 6.

No 6

Nombre Definir la ubicación del Archivo plano

Descripción Este caso de uso permite establecer la ubicación y el nombre del archivo que contendrá los resultados de la comparación.

Actores Primario :Usuario

Fase Terminado

Guion

Actor Sistema

33. Ingresa la ubicación del archivo plano.

34. Valida que haya ingresado la ubicación del archivo

35. Verifica que sea una ubicación valida

36. Almacena ubicación de archivo en memoria principal

37. Ingresa el nombre de archivo.

38. Valida que haya ingresado el nombre de archivo.

39. Valida que el nombre de archivo contenga caracteres válidos.

40. Valida que el archivo no exista.

41. Crea un archivo en memoria secundaria en la ubicación ingresada y con el nombre ingresado.

87

Excepciones

2. Si no ha ingresado la ubicación

Actor Sistema

2.1 Muestra mensaje de “No ha ingresado la ubicación del archivo”

2.2. Termina

3. Si no es una ubicación valida

Actor Sistema

3.1 Muestra mensaje de “No es una ubicación válida”

3.2. Termina

6. Si no ha ingresado el nombre del archivo

Actor Sistema

6.1 Muestra mensaje de “No ha ingresado el nombre del archivo”

6.2. Termina

7. Si el nombre de archivo contiene caracteres inválidos

Actor Sistema

7.1 Muestra mensaje de “El nombre del archivo contiene caracteres inválidos”

7.2. Termina

8. Si el archivo ya existe

Actor Sistema

8.1 Muestra mensaje de “El archivo ya existe”

8.2. Termina

88

Prototipo de pantalla

Para el caso de uso se plantea dos cajas de textos donde se ingresara la ubicación y nombre del archivo, tambien se agrego a la caja ubicación de archivo la propiedad de no editable y un boton que permitira seleccionar la ubicación por interfaz grafica para reduciir errores como se muestra en la siguientes imagenes:

Fuente: Los Autores.

89

CU 8.Especificación de caso de uso 7. No 7

Nombre Comparar imágenes

Descripción Este caso de uso permite al usuario establecer la ubicación de las imágenes a

comparar, la ubicación del archivo que contendrá los resultados, el nombre del

archivo y calculara las diferencias entre imágenes dando resultados porcentuales

que se escribirán en el archivo establecido.

Actores Primario : Sistema

Fase Terminado

Guion Actor Sistema

1. Ingresa la ubicación de las

imágenes.

2. Valida que haya ingresado la

ubicación de las imágenes.

3. Verifica que la ubicación sea

válida.

4. Valida que haya imágenes que

comparar

5. Definir la ubicación del archivo

(ver CU #6)

6. Lee una imagen de la ubicación

establecida y la almacena en

memoria principal.

7. Lee la siguiente imagen de la

ubicación establecida en

memoria principal si no hay

termina el algoritmo de

comparación.

8. Divide la penúltima imagen en

cuatro cuadrantes.

9. Compara los pixeles en cada

uno de los cuadrantes

10. Determina la cantidad de pixeles

que cambiaron de una imagen a

otra con respecto al cuadrante.

11. Obtiene la cantidad de pixeles

de cada cuadrante.

12. Calcula el porcentaje de pixeles

que cambiaron por cuadrante.

13. Escribe los porcentajes

obtenidos en el archivo de texto

establecido en (CU#5)

90

Excepcione

s

2.Si no se ha ingresado la ubicación de las imágenes

Actor Sistema

2.1 Muestra mensaje de “No ha establecido la ubicación de las imágenes”

2.2. Termina

3. Si la ubicación de las imágenes no es valida

Actor Sistema

3.1 Muestra mensaje de “La ubicación de las imágenes no es válida”

2.2. Termina

4. Si no hay por lo menos dos imágenes para comparar

Actor Sistema

4.1 Muestra mensaje de “Se necesitan mínimo dos imágenes para realizar la comparación”

4.2. Termina

Prototipo de

pantalla

Para el caso de uso se ha establecido la siguiente interfaz gráfica:

Para el caso de uso se utilizara un algoritmo de comparación por fuerza bruta.

Fuente: Los Autores.

91

ANEXO C. ESPECIFICACIÓN DE COMUICACIÓN DS 1.Diagrama de secuencia 1.

Fuente: Los Autores.

92

DS 2.Diagrama de secuencia 2.

Fuente: Los Autores.

93

ANEXO D. ESPECIFICACIÓN DE COMPORTAMIENTO

DA1. Diagrama de actividades 1.

Fuente: Los Autores.

94

DA 2. Diagrama de actividades 2.

Fuente: Los autores.

95

ANEXO E. ESPECIFICACIÓN DE MÁQUINAS DE ESTADO

DME 1. Diagrama de máquinas de estados 1.

Fuente: Los Autores.

DME 2. Diagrama de máquinas de estados 2.

Fuente: Los Autores.

DME 3. Diagrama de máquinas de estados 3.

96

Fuente: Los Autores.

DME 4.Diagrama de máquinas de estado 4.

Fuente: Los Autores.

DME 5.Diagrama de máquinas de estado 5.

Fuente: Los Autores.