PROYECTO FIN DE CARRERA
Presentado a
LA UNIVERSIDAD DE LOS ANDES
FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA
Para obtener el título de
INGENIERO ELECTRÓNICO
por
Luis Orlando García Urrego
ESTUDIO DE PARÁMETROS PARA LA DETECCIÓN DEL ESTADO
DE ADORMECIMIENTO TEMPRANO A PARTIR DE SEÑALES DE
ELECTROENCEFALOGRAFÍA (EEG)
Sustentado el 29 de mayo de 2013 frente al jurado:
Composición del jurado
- Asesor: Mario A. Valderrama Manrique, Profesor Asistente/Universidad de Los Andes
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
2
Contenido
1 INTRODUCCIÓN ... 3
2 OBJETIVOS ... 3
2.1 Objetivo General ... 3
2.2 Objetivos Específicos ... 3
2.3 Alcance y productos finales ... 3
3 DESCRIPCIÓN DE LA PROBLEMÁTICA Y JUSTIFICACIÓN DEL TRABAJO ... 4
4 MARCO TEÓRICO, CONCEPTUAL E HISTÓRICO ... 5
4.1 Marco Teórico ... 5
4.1.1 Señales de EEG ... 5
4.1.2 Ondas Alfa ... 5
4.1.3 Transformada Wavelet de Gabor ... 6
4.1.4 Energía RMS ... 6
4.2 Marco Conceptual ... 7
4.3 Marco Histórico ... 7
5 DEFINICION Y ESPECIFICACION DEL TRABAJO ... 10
5.1 Definición ... 10
5.2 Especificaciones ... 10
6 METODOLOGÍA DEL TRABAJO ... 10
6.1 Plan de trabajo ... 11
6.2 Búsqueda de información ... 12
6.3 Alternativas de desarrollo ... 13
7 TRABAJO REALIZADO ... 13
7.1 Descripción del Resultado Final ... 14
7.2 Trabajo computacional ... 24
8 VALIDACIÓN DEL TRABAJO ... 26
8.1 Metodología de prueba ... 26
8.2 Validación de los resultados del trabajo ... 26
8.3 Evaluación del plan de trabajo ... 27
9 DISCUSIÓN ... 28
10 CONCLUSIONES ... 29
11 AGRADECIMIENTOS ... 29
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
3
1
INTRODUCCIÓN
Este documento presenta el trabajo de grado desarrollado como Estudio de
parámetros para la detección del estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG). El trabajo realizado estuvo pensado como una
forma de detectar y prevenir a personas que pierden o ven disminuido su nivel de atención debido al agotamiento físico o la falta de sueño durante sus actividades diarias o laborales. El reconocimiento del estado de adormecimiento durante estas actividades puede ser prevenido mediante una interfaz cerebro-máquina que alerte el estado de adormecimiento, evitando fatales accidentes.
2
OBJETIVOS
2.1 Objetivo General
Estudiar parámetros adecuados para el desarrollo de un sistema de reconocimiento automático que permita la identificación en tiempo real de estados de adormecimiento temprano mediante señales de electroencefalografía (EEG) provenientes del EPOC (Emotiv®, Honk Kong).
2.2 Objetivos Específicos
Realizar un estudio del estado del arte con respecto a sistemas de
reconocimiento de estados, tanto a nivel teórico como de implementación, a partir de señales biomédicas y su aplicación en diferentes contextos.
Identificar los parámetros que permitan un reconocimiento adecuado de
estados de adormecimiento temprano.
Desarrollar e implementar algoritmos para la extracción de los parámetros
identificados a partir de señales EEG.
Implementar un sistema de reconocimiento automático de estados de
adormecimiento temprano a partir de los parámetros obtenidos de las señales analizadas.
Evaluar el desempeño de los sistemas implementados sobre bases de datos de
señales de EEG disponibles o adquiridas de pacientes reales.
Proponer un diseño del producto final de forma que sea posible su
implementación y comercialización.
2.3 Alcance y productos finales
El compromiso del trabajo actual es crear un algoritmo capaz de detectar el estado de adormecimiento temprano en personas que estén realizando actividades cotidianas, como conducir un vehículo, y que presenten perdida o vean disminuido su nivel de atención por fatiga física y/o falta de sueño. El producto final consiste en la
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
4
implementación de dicho algoritmo en un computador con Matlab®, conectado inalámbricamente al Emotiv® EPOC de manera que se adquieran señales de EEG del sujeto en tiempo real; manipular dichas señales para encontrar la relación con el estado de adormecimiento temprano y emitir una alarma desde el computador que despierte y evite que el sujeto entre en el estado de adormecimiento. También se presentarán bocetos de productos que integran el Emotiv® EPOC en un automóvil.
3
DESCRIPCIÓN DE LA PROBLEMÁTICA Y JUSTIFICACIÓN DEL TRABAJO
Actualmente, se reconoce la importancia del sueño dentro de la vida del ser humano como un factor necesario para el buen desarrollo de esta. El sueño es un estado necesario de reposo seminconsciente en el que se reduce la actividad fisiológica como la respiración o la presión sanguínea, además, de una reducción de respuesta frente a estímulos externos. Algunos estudios han demostrado que la falta de sueño tiene diversos efectos en el ser humano: efectos motrices como dolor muscular, visión borrosa, limitación de movilidad, imprecisión de movimientos, dolor de cabeza, etc.; además de efectos neuronales y/o emocionales como depresión, irritabilidad, ralentización de la toma de decisiones, disminución de la concentración, etc. Se ha demostrado que los efectos de la falta de sueño (no dormir al menos 6 horas dentro de un período de 24 horas o no obtener un sueño de “calidad”) afectan negativamente la vida de las personas [1] y [2].
Alrededor del mundo ocurren accidentes de tráfico debido al agotamiento y/o a la falta de sueño por parte de los conductores. En Estados Unidos entre el 16% y el 60% de todos los accidentes en carretera son debidos al estado de adormecimiento [2]. Algunos estudios han demostrado que el desempeño al volante después de estar 17 o 19 horas despiertos es incluso peor que el de aquellos con 0.05% de alcohol en la sangre (límite de alcohol legal en la mayoría de países Europeos) [2]. Más específicamente, en Colombia, las cifras de accidentes de tránsito llegan a 5.792 muertos en el 2011, siendo la segunda causa de muertes violentas después del conflicto armado [3]. En los aeropuertos, especialmente los de 24 horas, los controladores aéreos pueden presentar fatiga debido a la carga horaria del trabajo. Se ha visto que el personal que presenta fatiga puede cometer errores en la comunicación de altitudes, rumbos y procedimientos vitales para las operaciones aéreas, resultando en la colisión de aeronaves. Sin embargo, todo trabajo que demande altos niveles de concentración por largas jornadas diurnas o nocturnas, pueden presentar efectos de fatiga, desde gestión de fichas o de documentos, hasta la falta de reflejos en el personal médico se ven afectados por este fenómeno [4].
Es por esto que es de suma importancia el reconocimiento, caracterización y generalización de todas aquellas señales indicadoras de un estado de adormecimiento temprano, puesto que se podría comunicar a la persona de la peligrosidad de trabajar
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
5
o realizar acciones en este estado, permitiendo así la disminución de los accidentes fatales o no, tanto laborales como aquellos que están directamente asociados a la pérdida de atención por falta de sueño.
4
MARCO TEÓRICO, CONCEPTUAL E HISTÓRICO
4.1 Marco Teórico
4.1.1 Señales de EEG
Las señales de EEG son una forma de medición sobre las oscilaciones corticales, las cuales hacen referencia a fluctuaciones rítmicas de los potenciales postsinápticos de un grupo de neuronas (potenciales de campo) o de una región cortical. Siendo estas actividades oscilatorias el resultado de la suma de los potenciales postsinápticos generados en la zona cercana al electrodo de registro en un EEG. Se considera que las actividades oscilatorias aparecen en diferentes niveles cerebrales y participan en diferentes procesos perceptivos, cognitivos y motores [5]. Las oscilaciones se clasifican de acuerdo a su componente frecuencial principal. En la figura 1 podemos observar diversas oscilaciones cerebrales.
Figura 1. Ejemplos de actividades oscilatorias y sus características frecuenciales en el
ser humano [6].
4.1.2 Ondas Alfa
Las ondas alfa u ondas de Berger (en honor a su descubridor, Hans Berger) son actividades oscilatorias que varían alrededor de 10Hz y aparecen principalmente en regiones posteriores u occipitales en estados de relajación con ojos cerrados durante la vigilia. Cada tipo de oscilación cortical está asociada a un estado cognitivo específico, especialmente, ráfagas de oscilaciones alfa aparecen de forma
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
6
intermitente en estados de adormecimiento. En la figura 2 se pueden apreciar estas oscilaciones.
Figura 2. Evidencia de la presencia de ondas alfa en estado de vigilia [7].
4.1.3 Transformada Wavelet de Gabor
La transformada de Fourier es un método común para análisis de señales. Sin embargo, la transformada de Fourier se enfoca en el dominio de la frecuencia y no puede detectar la distribución en tiempo de diferentes frecuencias, de modo que para señales no estacionarias es impráctico el uso de la transformada de Fourier. Un método para la representación en tiempo-frecuencia de una señal es el Short Time Fourier Transform (STFT). La STFT más conocida es la Transformada Gabor que usa una ventana Gaussiana para obtener la señal local y luego transformar la señal enmascarada al dominio de la frecuencia. La transformada Gabor se define como:
( ) ∫ ( ) ( )
La Transformada Wavelet de Gabor (GWT) ha sido utilizada como un efectivo y poderoso método para el análisis en tiempo-frecuencia e identificar características de rápida variación en una señal.
4.1.4 Energía RMS
La potencia de una señal la denominamos como la energía por unidad de tiempo de dicha señal. Como regla general, podemos decir que la potencia instantánea de una
señal es proporcional al cuadrado de la señal, por tanto, si tenemos una señal ( ) y
una constante de proporcionalidad , su potencia instantánea estaría definida como
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
7
potencia de la señal. Para encontrar este valor, utilizamos la potencia instantánea y
realizamos un promedio de la potencia en un intervalo de tiempo , de esta manera
obtenemos la potencia promedio de la señal ( ) en el intervalo de tiempo desde
hasta :
̅ ∑
Como la potencia de la señal es proporcional al cuadrado de la señal, esta potencia promedio corresponde al valor medio del cuadrado de la señal, si sacamos la raíz cuadrada a dicha potencia, obtenemos el valor RMS (Root of the Mean of the Square).
Definiendo tenemos que el valor RMS de la señal ( ) es:
√ ∑
4.2 Marco Conceptual
Sueño: Suspensión normal de la consciencia y desde el punto de vista
electrofisiológico por criterios de ondas EEG específicas [10].
Ondas alfa: Oscilaciones eléctricas corticales entre los 8Hz y 12Hz presentes
mayoritariamente en el área occipital y características de estados conscientes de vigilia sin estímulos de luz [11].
Electroencefalograma (EEG): Representación gráfica de las señales eléctricas
del cerebro [6].
Emotiv® EPOC: Diadema electrónica que permite adquirir señales de EEG de
manera inalámbrica con un computador.
Brain Computer Interfaz (BCI): Interfaz cerebro máquina en español, es una
tecnología basada en la adquisición de señales cerebrales con las cuales se pueda interactuar con objetos materiales.
Transformada Wavelet: Herramienta matemática para la aplicación en el
procesamiento de señales no estacionarias y de rápida transitoriedad.
4.3 Marco Histórico
Según Purves et al [10], dormir muy poco genera una “deuda de sueño” que se puede recuperar en los días siguientes. Sin embargo, la falta de sueño afecta en diferentes grados el juicio, el tiempo de reacción, entre otras funciones. Tal privación de sueño tiene un efecto trágico, sólo en Estados Unidos hay más de 100.000 accidentes de tráfico causados por la falta de sueño, de los cuales 1.500 son trágicos. Situación
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
8
diferente a Colombia en la que las muertes alcanzan las 5.800 como se mencionó anteriormente.
Existen aproximaciones externas para detener este estado de consciencia causado principalmente por el agotamiento físico, el cual utiliza las mismas características biológicas del conductor para caracterizar y determinar dicho estado de adormecimiento. Uno de estos trabajos se encuentra en [12]. El proyecto se basaba en la selección de características físicas como ojos cerrados/abiertos, boca abierta/cerrada y ángulos de rotación de la cabeza a partir de una red neuronal y una máquina de inferencia con capacidad de aprendizaje sobre dichas características para emitir una señal de alarma o peligro, estimando así el estado de fatiga y/o de adormecimiento del conductor. La metodología consistió en adquirir imágenes del conductor mediante una cámara con reconocimiento facial, luego se extrae la información base en tiempo real con las cuales se compararán las características físicas y finalmente se muestra mediante una interfaz el resultado de la metodología. Los resultados que se obtuvieron fueron superiores al 90% en la detección correcta de cada característica, ojos abiertos, inclinación de la cabeza, etc. Durante condiciones de día y de noche se comprobó que las redes neurales y el sistema de aprendizaje de máquina era viable para la detección en tiempo real de estados de fatiga o adormecimiento, además proponen continuar con la experimentación con sujetos en automóviles reales.
Otro artículo externo relacionado con la detección de momentos de inatención mientras se conduce, se puede encontrar en [13]. En este trabajo se presentan algoritmos de redes neuronales y de support vector machines que permiten detectar estos estados de inatención de manera automática causados ya sea por fatiga o por adormecimiento mediante señales de EEG puesto que es la única forma psicológica que permite mediciones sin limitación en tiempo real. Para comprobar que es posible desarrollar algún tipo de máquina universal, se utilizaron cuatro técnicas de aprendizaje de máquina: la arquitectura multilayer perceptron (MLP) con una señal función tangente hiperbólica (MLPTAN) y arquitectura MLP con una señal función de base radial (MLPRBF), una red neural con función de base radial (RBFNN) y support vector machine con función kernel de base radial (SVMRBF). En este trabajo se utilizaron las señales de 28 electrodos realizados en el EEG, eliminando los más cercanos a los ojos, es decir los frontopolares, puesto que para el estudio introducían ruido. Al momento de medir cada algoritmo de aprendizaje se realizó un entrenamiento con los pacientes, luego de realizar un cross validation de cada método utilizado de aprendizaje de máquina, se llegó a la conclusión que el método más preciso era el de redes neuronales (RBFNN) para realizar predicciones en tiempo real. Como conclusión del artículo se llega a que es posible utilizar un algoritmo de aprendizaje de máquina que seleccione un parámetro para detectar o eliminar
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
9
artefactos artificiales que normalmente realizaría manualmente un neurocientífico o psicólogo, luego se estudió el comportamiento de zonas específicas del cerebro cuando se observaba al sujeto entrar en el estado de inatención, observando especial actividad en las ondas alfa y theta cuando se cometía un error, por ejemplo, cuando el carro se desviaba de la demarcación del carril. Finalmente, advierten que es posible detectar la diferencia de estados mentales de inatención mediante algoritmos de aprendizaje de máquina.
Otro artículo externo que incluye una interfaz cerebro-máquina para detectar el estado cognitivo del conductor de un automóvil se puede obtener en [14]. A diferencia de los artículos anteriores, este únicamente observa el estado cognitivo del conductor cuando se desvía el automóvil del carril y emite una alarma, de manera que sólo se observa el efecto de la desviación del automóvil con el efecto en el estado cognitivo de la persona. En este caso han usado señales de EEG, ECG y EOG para detectar el estado cognitivo de la persona, especialmente se han centrado en la zona occipital del cerebro en donde han visto una mayor actividad de ondas alfa y theta con respecto al tiempo de respuesta de la persona e incluso las ondas beta con respecto a movimientos físicos como el giro del volante, a partir de estos estudios se va a utilizar una serie de clasificadores para determinar un estado de adormecimiento con respecto al cambio en el espectro de potencia del área occipital. Para la elección de los clasificadores se han propuesto diversas teorías con las cuales trabajar, el clasificador de máxima probabilidad Gaussiana, el clasificador k-Nearest Neighbor, support vector machine, una red neural por back propagation y una red neural con función de base radial. Finalmente se concluye que el modelo propuesto para realizar una interfaz BCI a partir del estado cognitivo de la persona en mantener el automóvil centrado en el carril, puede ser realizado a partir de señales de EEG con un 80% de exactitud aunque aún hay falencias en el método de clasificación y en la selección de una estrategia de detección automática.
En la Universidad de los Andes se puede encontrar un trabajo de grado sobre la detección de estados de adormecimiento pero no está relacionada con la detección del estado cognitivo de la persona con señales de EEG. El ingeniero Juan Manuel Soto Valencia trabajó en su tesis “Diseño de un prototipo para prevención y alarma de condiciones de sueño en conductores de vehículos” [15]. El objetivo de la tesis era diseñar, implementar y validar un sistema de monitoreo de parpadeo de conductores de vehículos para la detección del nivel de alerta de conductores de vehículos. Para esto se realizó un código en Android y Open CV que reconocía el parpadeo a partir de una cámara de video. Una de las dificultades del trabajo era trabajar bajo diferentes condiciones de luz, además de identificar cansancio real, puesto que la detección de un parpadeo no necesariamente implica la presencia de sueño o cansancio en el sujeto. Como conclusión se llegó a que es posible una comercialización del producto
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
10
para la detección de estados de sueño en conductores de vehículos puesto que brinda la facilidad de ser aplicada en dispositivos cada vez más masivos y de un relativo económico acceso.
5
DEFINICION Y ESPECIFICACION DEL TRABAJO
5.1 Definición
El problema que trata de solucionar este proyecto se basa en la reducción de accidentes fatales por causas de agotamiento físico por parte de personas que conducen vehículos. A partir de las señales de EEG de cada conductor, la idea es que sea posible la detección del estado de adormecimiento temprano para que se active una alarma sonora lo suficientemente efectiva como para despertar al conductor. Para lograrlo hemos utilizado el Emotiv® EPOC que nos permite adquirir 14 señales de EEG de manera inalámbrica visibles en un computador.
5.2 Especificaciones
El estudio de los parámetros necesarios para detectar el estado de adormecimiento deberá ser realizado a partir de la literatura correspondiente para así elegir el parámetro con el cual queremos desarrollar el proyecto. Las señales de EEG serán adquiridas mediante electrodos de superficie utilizando el Emotiv® EPOC. Será necesario realizar algún tipo de simulación de conducción y de acondicionamiento tanto del lugar en donde se realizarán las pruebas como de cada sujeto que participará en la prueba. Cada prueba de conducción y de aplicación del algoritmo deberá ser grabada en un formato de video a manera de comprobación de funcionamiento y del trabajo realizado. La comunicación entre el sujeto (señales de EEG) y el computador debe ser de manera inalámbrica, aunque el Emotiv® EPOC provee dicha capacidad, puede no ser necesaria al momento de intentar replicarse en un vehículo, además, se debe utilizar Matlab® como software de reconocimiento y tratamiento de señales, será el que proveerá la interfaz cerebro-máquina al emitir mediante el computador una alarma sonora. Por último se mostrará algún tipo de boceto para la fabricación e implementación de un posible producto capaz de detectar el estado de adormecimiento en un conductor de vehículo bajo las características que se desarrollen en el proyecto. Se espera que el algoritmo pueda ser implementado en tiempo real de manera satisfactoria, al menos, en la simulación bajo el ambiente controlado en la Universidad de los Andes.
6
METODOLOGÍA DEL TRABAJO
Luego de tener definido el problema que se quería tratar y desarrollar en el transcurso del semestre, se realizó una pequeña investigación sobre dispositivos que fueran capaces de obtener señales de EEG y que fueran comerciales. De esta manera, la
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
11
primera tarea consistió en realizar una cotización de dispositivos para ser adquiridos por la Universidad de los Andes bajo la supervisión del Asesor. Finalmente, fueron adquiridos dos dispositivos Emotiv® EPOC. Cabe anotar que los dispositivos fueron recientemente adquiridos y era la primera vez que se trabaja con ellos, de manera que no se tenían trabajos previos en la universidad que pudieran ser referentes para el desarrollo del proyecto. Una vez con los dispositivos y una lectura sobre el tema correspondiente, se procedió a realizar diferentes pruebas con los dispositivos y sujetos voluntarios para la comprobación tanto de la teoría como de su aplicabilidad en el proyecto. Realizadas las pruebas, se determinaron los aspectos pertinentes para desarrollar el proyecto y que se explicarán más adelante.
6.1 Plan de trabajo
En primer lugar se realizó una lectura sobre los parámetros que podían funcionar como buenos detectores del estado de adormecimiento. Se buscó sobre proyecto y/o artículos como en [12][13][14] y [15] que determinaban maneras de detectar dicho estado, sin embargo, se hizo énfasis en aquellos que utilizaban señales de EEG como fuente del proyecto. De igual manera, el curso de Neurociencias: Principios y Aplicaciones dictado en la Universidad de los Andes brindó información complementaria sobre temas como el sueño, la electroencefalografía, aplicaciones de neurociencias en ingeniería, etc. Dichas fuentes se pueden encontrar en [6][7] y [10]. Luego de esta lectura sobre la teoría y desarrollos que se habían realizado, se decide continuar con el proyecto y utilizar el Emotiv® EPOC para obtener señales de EEG para observar ráfagas de ondas alfa, las cuales fueron indicadas por la teoría.
Luego de decidir utilizar el Emotiv® EPOC en la prueba final del proyecto, se realizó una búsqueda de bases de datos con señales de EEG que se pudieran utilizar para observar dichas ráfagas de ondas alfa como decía la teoría. Una de las bases de datos
utilizadas fue PhysioNet (http://www.physionet.org/physiobank/), sin embargo, las
señales que obteníamos más cercanas a lo que necesitábamos eran sobre horas de sueño realizadas en cama, así que aunque se podían observar las ráfagas de ondas alfa al momento de realizar la transición entre el estado de vigilia y dormido, no podíamos utilizar dichas señales para el proyecto puesto que los sujetos estaban en condiciones diferentes a las propuestas en el proyecto.
Seguidamente se decide por dejar de buscar señales de EEG en bases de datos y obtenerlas directamente con el Emotiv® EPOC. Para esto se debió adecuar un espacio en la Universidad de los Andes que permitiera y tuviera los elementos necesarios para una aceptable adecuación a las condiciones de conducción de noche. Después de contar con el lugar y los elementos para adecuar el sitio, como computador, simulador de conducción y las condiciones externas que representarían la noche. Se procedió a buscar sujetos que voluntariamente deseasen participar en las pruebas. Aunque se
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
12
intentó buscar una población mixta y de cinco sujetos, los datos utilizables para el proyecto resultaron ser únicamente de tres sujetos, todos hombres.
Después de realizar la prueba y adquisición de datos, se procedió a validar la teoría sobre las ráfagas de ondas alfa, beta y theta con los datos obtenidos. Luego de confirmar la presencia prominente de ráfagas de ondas alfa mediante Matlab®, se procedió a observar los resultados de los tres sujetos para observar patrones y/o similitudes en las ondas alfa presentadas. De esta manera se decidió estudiar únicamente las ondas alfa para la detección del estado de adormecimiento. Después se comenzó a realizar una metodología para la correcta y automática para la detección de dicho estado de adormecimiento, determinando condiciones que deberían tener el código de detección así como el clasificador de dicho estado de adormecimiento.
Una vez definida la metodología a seguir, el código de detección y la definición y elección del clasificador del estado de adormecimiento, se realiza una comprobación del funcionamiento del código en tiempo real bajo las condiciones propuestas para la simulación de conducción. En este caso, para observar el correcto funcionamiento del código, se pidió a uno de los sujetos que sirvieron en la adquisición de datos que volviera a realizar la simulación de conducción ahora con el código de detección pero sin la interfaz cerebro-máquina, es decir, sin la alarma. Esta prueba dio pie a distintas modificaciones en el código de detección como a la metodología seguida hasta el momento para la detección del estado de adormecimiento. Se decide entonces, realizar dos tipos de detecciones, una por un método absoluto y otra por un método relativo. Luego de realizar los cambios pertinentes para realizar ambos métodos de detección, se vuelve a realizar una prueba del código en tiempo real y se realiza una grabación de ambos métodos.
Finalmente, se diseñaron tres bocetos de una posible aplicación de la metodología utilizada por el Emotiv® EPOC en un vehículo para la detección del estado de adormecimiento.
Durante el desarrollo del proyecto siempre estuvo la supervisión del Asesor mediante reuniones en los que se discutían los resultados obtenidos al momento y nuevos pasos a seguir, de igual manera se realizó una presentación al curso de Neurociencias: Principios y Aplicaciones, semestre 2013-10, en el que se mostraba la aplicación de la teoría en un proyecto real y se mostró el avance hasta el momento, así mismo se realizó un avance a mitad de semestre al departamento, mostrando el desarrollo hasta el momento.
6.2 Búsqueda de información
La teoría sobre el comportamiento neuronal y sus efectos en el estado cognitivo de las personas, así como la teoría sobre la potencia, métodos de análisis de señales, etc.
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
13
fueron extraídos de los diversos artículos, libros y notas de clase de cursos vistos en la Universidad de los Andes que se presentan en la bibliografía.
Por otro lado, el manejo de la herramienta computacional Matlab® fue brindado gracias al requerimiento en distintos cursos dictados en el departamento, que de igual forma fue complementado por la experiencia y ayuda constante del Asesor y de otros estudiantes que también se encontraban realizando el proyecto de grado o proyecto especial con énfasis hacia el mismo o similar tema.
6.3 Alternativas de desarrollo
Al inicio del proyecto, en la búsqueda de los parámetros del estado de adormecimiento en la literatura se encontraron características en las ondas alfa, beta y theta. Luego de la adquisición de señales de EEG de los tres sujetos, y con la transformada en tiempo-frecuencia (GWT) se observa una prominencia en la presencia de ondas alfa en los estados de adormecimiento de cada sujeto, por tanto, se decide trabajar únicamente con las ondas alfa, puesto que estas ondas son más prominentes en la zona occipital del cerebro, se reducía el análisis de los electrodos a sólo dos que tiene el Emotiv® EPOC en esa zona del cerebro.
Una segunda alternativa que surgió en el desarrollo del trabajo fue la de obtener señales con las que pudiéramos trabajar y obtener dichos parámetros y características del estado de adormecimiento temprano a partir de bases de datos, sin embargo, se decidió dejar de lado estas bases de datos puesto que no representaban las condiciones que se trabajan en el proyecto, en cambio, se decidió obtener las señales directamente con el Emotiv® EPOC en la Universidad de los Andes en donde podemos acondicionar un lugar para tales efectos.
Otra alternativa que surgió durante el desarrollo del proyecto fue la del método para elegir el clasificador del estado de adormecimiento temprano. Hasta ese momento las pruebas habían sido fallidas en la detección del estado de adormecimiento temprano por lo que se decidió realizar dos métodos de detección, uno relativo que debía corregir las desviaciones del método absoluto. Aunque presentaba la desventaja de una inversión mayor de tiempo, suponía la ventaja de obtener dos métodos de detección del estado de adormecimiento y complementar el trabajo, de manera que se desarrollaron ambos métodos de detección.
7
TRABAJO REALIZADO
En la figura 3 se puede observar el diagrama en bloques del trabajo realizado en el proyecto. El diagrama de bloques contiene dos grandes bloques que se resumen en la etapa de procesamiento, en donde realizamos los respectivos tratamientos a la señal; y en la etapa de detección, donde utilizamos los tratamientos de la señal para realizar,
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
14
por dos métodos diferentes, una decisión sobre si se ha detectado o no el estado de adormecimiento temprano.
La primera de las etapas es la adquisición de las señales de EEG por medio del Emotiv® EPOC, seguidamente procedemos a realizar un filtrado sobre la banda alfa. Una vez tenemos la señal en la banda de frecuencia de interés, procedemos a obtener su energía RMS. Para poder detectar un cambio en el estado cognitivo del conductor y por ende, observar un cambio en la potencia de las ondas alfa, necesitamos crear un vector con los valores de la energía RMS para diez ventanas de tiempo anteriores y así obtener un valor base sobre el cual poder observar un cambio. Luego, utilizamos descriptores como la media aritmética y la desviación estándar de los datos para compararlos por los métodos directo o relativo y así determinar el estado de adormecimiento temprano. Finalmente se activará una alarma sonora si es detectado el estado de adormecimiento temprano.
Figura 3. Diagrama de bloques del trabajo realizado para la detección del estado de adormecimiento temprano.
7.1 Descripción del Resultado Final
Preparación y acondicionamiento para la adquisición de datos
Una de las etapas previas a adquisición de señales de EEG es la preparación y acondicionamiento de los sujetos, esto es así puesto que se supone que la adquisición de datos se realizará sobre un conductor real, por lo que no hay motivo para acondicionar o preparar al conductor. Sin embargo, en este caso necesitamos obtener las condiciones lo más realistas posibles junto con los recursos que poseemos. La
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
15
primera condición a tener en cuenta es el espacio, este espacio debe ser lo bastante cerrado como para ser acogedor para el paciente ya que se tratará de emular la cabina de un automóvil. El espacio es el de un cubículo de prototipos de la sala activa de la Universidad de los Andes. Este espacio fue elegido debido a que es lo suficientemente cerrado, permite que haya una temperatura ligeramente superior a la del ambiente y al cerrar la puerta se disipa gran cantidad de ruido, por lo que el espacio termina siendo acogedor para una persona que presenta cansancio y sueño. Otro de los aspectos que queremos emular es la noche. En este cubículo se cuentan con luces incandescentes de color blanco por lo que la luz fue apagada; otra característica del cubículo es que cuenta con una pared completamente hecho de vidrio, por lo que es fácil que las personas de afuera miren hacia adentro y que la luz de afuera ilumine el cubículo y viceversa. Para esto se decidió utilizar papel periódico para tapar la mayoría de la ventana, de esta manera podemos oscurecer el ambiente del cubículo para emular mejor la oscuridad de la noche de un conductor.
Lo siguiente que se realizó fue utilizar un simulador de conducción de tal manera que fuera lo más realista posible y que además nos permitiera de una manera fácil hacer pasar al paciente por la situación en la que se encontraría una persona con fatiga física, de noche y conduciendo un vehículo. De esta manera se buscó potenciales simuladores de conducción de un vehículo con los suficientes parámetros para que pudieran ser modificados y así aumentar el nivel de emulación de la conducción. Para
este procedimiento se utilizó el programa Driving Simulator 2009 (Astragon Software
GmbH, Alemania), el cual nos permitió utilizar sus características del ambiente y del vehículo para ser mucho más realista. En la figura 4 se observan varias capturas del simulador. En estas imágenes podemos observar que la cámara del vehículo puede ser modificada hasta simular que se encuentra dentro de la cabina de un automóvil, el automóvil fue un sedán familiar de cuatro puertas, el cual es un carro familiar y relativamente estándar y común. Otra de las variables que pudimos utilizar fue la velocidad con la que el vehículo se desplazaba, de manera que al intentar emular una situación en la que un conductor fatigado perdía la atención en el camino, decidimos bloquear la velocidad máxima del vehículo hasta un máximo de 30Mp/h, o lo que es equivalente, no permitimos que se utilizará más allá de la primera marcha; así podemos asegurar que la atención del paciente estará relativamente distraída del camino y simular mejor la situación de la vida real. Otra de las variables que pudimos variar fue el hecho de encontrarnos tráfico en la simulación, aunque se utilizó un nivel estándar, el simulador permite entrar a una ciudad o realizar la simulación a las afueras de la ciudad. Se permitió que el paciente comenzara en la ciudad y paulatinamente fuera saliendo de ésta hasta llegar a las afueras en donde se encontraría con un menor tráfico, pero con distancias y rutas mucho más monótonas, aumentando la distracción con respecto al tráfico y al camino por parte del paciente.
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
16
Figura 4. Imagen del simulador dentro del vehículo en la ciudad y saliendo hacia el área rural.
El siguiente paso que se realizó previo a la toma de señales fue la de adecuar al sujeto físicamente para el experimento. Según la literatura, se obtuvieron las siguientes características para realizar un experimento de sueño con sujetos reales, cabe anotar que ninguno de los sujetos contaba con algún tipo de enfermedad que le impidiera un sueño normal:
Requerimientos previos al experimento:
No ingerir alimentos estimulantes como chocolate, café, té o bebidas gaseosas
con colas.
Ir al baño antes del examen.
Si el sujeto siente que en algún momento se está violentando su integridad
física o moral, es totalmente libre de detener el experimento cuando así lo desee.
El sujeto debe estar cansado físicamente, haber dormido mal o madrugado (3-4
horas de sueño), de igual forma es permitido realizar ejercicio al menos 1 o 2 horas antes de realizar el experimento.
Ingerir bastantes alimentos al almuerzo.
El cuarto debe estar oscuro y en silencio, para acelerar el proceso de sueño.
Temperatura del cuarto, ligeramente elevada con respecto a la del ambiente.
No haber fumado al menos 30 min antes del examen.
El procedimiento que se siguió al momento de realizar el experimento fue el siguiente:
El primer paso que el sujeto necesita realizar es haber tenido unas 3 o 4 horas
de sueño, esto lo traducimos como haber trasnochado o madrugado para el día del experimento, así mismo, también haber realizado ejercicio con 1 o 2 horas de antelación al experimento es aceptable.
De ser posible, durante el transcurso del día y antes de la hora de almuerzo, el
sujeto podría realizar actividad física moderada o intensa, de tal manera que para la hora del ejercicio se encuentre físicamente agotado.
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
17
Luego de realizar el ejercicio, esperamos hasta la hora del almuerzo. Si el
sujeto ve demasiado tiempo entre el fin de la actividad física y la hora del almuerzo, puede utilizar ese tiempo para uso personal.
A la hora del almuerzo, el sujeto debe almorzar bastante, de manera que se
sienta satisfecho y cansado.
A las 2:00pm debe presentarse para realizar el ejercicio en el cubículo ML 014
a la hora acordada.
El cubículo será modificado y/o adaptado para uso del ejercicio.
Se realizarán pruebas que indiquen que el Emotiv® EPOC se encuentra
funcionando correctamente mediante pruebas sencillas y el uso del software del Emotiv® EPOC con el sujeto.
Idealmente, el sujeto debería estar cansado y con ganas de dormir, sin embargo, si esto no sucede, se procederá a reproducir audio y video que relajen al sujeto e induzcan el sueño en este. De esta manera aseguraremos que al momento de realizar la simulación, el paciente cuenta con un nivel de sueño y cansancio profundo.
Para la adquisición de datos y verificación de las ráfagas de ondas alfa en el estado de adormecimiento, se realizó una simulación de una hora y veinte minutos dividida en intervalos de 20 minutos. Al momento en que el sujeto se presentaba en el lugar se pedía a este que intentara dormirse durante 20 minutos, de esta manera comenzábamos a inducir el sueño en la persona. Pasados los 20 minutos se pedía al sujeto que se colocara el Emotiv® EPOC e intentara volver a dormirse, de esta manera podíamos asegurar que antes de la adquisición de datos se tenía una fuerte inducción al sueño y aun así después de iniciada la adquisición, los 20 minutos iniciales de la señal serán datos de sueño con los cuales podemos comparar y separar el estado de adormecimiento con el estado de sueño. Finalmente, los últimos 40 minutos de la simulación incluían la conducción en el simulador. Cada sujeto fue grabado desde el momento en que se ha comenzado a adquirir datos, para observar la grabación de cada sujeto referirse a los anexos.
Adquisición de señales EEG
Para la adquisición de señales de EEG vamos a utilizar el Emotiv® EPOC, un positivo de electroencefalografía comercial, el cual tiene una versión para investigación compatible con Matlab® que permite la adquisición, tratamiento y visualización de las señales que se obtienen del Emotiv® EPOC. El dispositivo cuenta con 14 electrodos superficiales, acelerómetro y giroscopio, lo cual permite una lectura de los sentimientos, estado cognitivo y movimiento de la cabeza. El dispositivo es mostrado en la figura 5. Para mayor descripción sobre el dispositivo y sus características, referirse a [16].
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
18
Figura 5.Emotiv® EPOC adquirido por la Universidad de los Andes.
En la figura 5 podemos observar la colocación de este dispositivo en una persona, cabe notar que es necesario humedecer los electrodos con una solución salida para mejorar la conductividad y la obtención de las señales de EEG. Cabe anotar que para tener una mejor guía sobre la colocación y el estado de los electrodos, el software del Emotiv® EPOC permite observar cuántos y cuáles electrodos están en correcto funcionamiento. En la figura 6 se muestra la posición y el color del estado de cada electrodo, verde que indica que funciona perfectamente hasta el negro indicando que no hay señal en el electrodo. En esta imagen no se muestran ni el acelerómetro, ni el giroscopio, sin embargo, es posible utilizar ambas herramientas para nuestra finalidad. En el caso de nuestro proyecto, usamos sólo los electrodos del área occipital, es decir, O1 y O2. Es necesario obtener una buena lectura de dichos electrodos (color verde) puesto que en cualquier otro color, podríamos perder datos significativos.
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
19
Para la adquisición de datos se ha propuesto el análisis por ventanas de tiempo, puesto que el sistema debe ser en tiempo real y lo suficientemente rápido para detectar el estado de adormecimiento, cada ventana ha sido definida de 3 segundos a intervalos de 1 segundo. Es decir, en cada ventana estamos adquiriendo datos y haciendo el respectivo tratamiento a la señal para detectar el estado de adormecimiento, 1 segundo después, tomaremos los datos de ese segundo y los dos anteriores para formar nuestra ventana de tiempo de 3 segundos y así volver a tratar la señal. De manera que en realidad estamos analizando la señal cada segundo. Este punto será ampliado en sección de más adelante.
Filtrado de la señal en banda alfa
Una vez se posee la señal del electrodo occipital con el cual se ha elegido trabajar, se procede a filtrar la señal en la banda de interés. Aunque la teoría nos indica que dicha banda se encuentra entre los 8Hz y aproximadamente 12Hz, centrada en 10Hz, hemos decidido filtrar la señal desde 8hz hasta 14Hz para asegurar que la señal que obtenemos es efectivamente ondas alfa [17]. En la sección computacional se aumentará el detalle de dicha etapa, mientras tanto, en la figura 7 podemos observar la señal original obtenida y su respectiva señal filtrada en la banda de interés. Como se puede observar en la señal original, las ondas alfa son claramente visibles.
Figura 7. Señal original y filtrada en la banda de interés (8Hz-14Hz).
Junto con el filtro de la señal, se ha realizado una transformada Wavelet de Gabor para observar en tiempo-frecuencia el comportamiento de la señal filtrada y observar la aparición de ráfagas alfa. De esta manera podemos comprobar y asegurar que las ondas que estamos observando tanto en la señal original, como en la transformada tiempo-frecuencia, son efectivamente ondas alfa. En la figura 8 se muestra dicha
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
20
segundos, de manera que cada imagen fue tomada en el instante de tiempo en que el sujeto se encontraba realizando la simulación de conducción, en otras palabras, estamos observando ráfagas de ondas alfa mientras se simula la conducción de un vehículo y el conductor presenta indicios de agotamiento y sueño.
Figura 8. Señal original, señal filtrada (8Hz-14Hz) y transformada en tiempo-frecuencia.
Cálculo de la Energía RMS
Con la señal filtrada es posible sacar descriptores como la Energía RMS y obtener así un parámetro sobre el comportamiento de estas ondas alfa en el instante de tiempo en que sucedieron. En la figura 9 se observa el cálculo de la Energía RMS de la señal y su clara relación con la aparición de ondas alfa.
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
21
Clasificador
Una vez hemos sido capaces de obtener la energía RMS de la señal para cada intervalo de tiempo, procedemos a generar un valor base sobre el cual poder tomar decisiones. Para esto hemos decidido observar la media aritmética y la desviación estándar de los valores en la energía RMS de la señal en el transcurso del tiempo y observar distintos patrones al momento de indicarse presencia de ondas alfa. Para esto hemos realizado una vector base de 10 ventanas, cada ventana de 3 segundos, y así obtener un valor de la media y la desviación estándar del comportamiento de la señal. El clasificador entonces mirará en la siguiente ventana de tiempo, la energía en ese instante de tiempo y la comparará con la media y la desviación estándar de aproximadamente 12 segundos anteriores (10 ventanas cada una de 3 segundos a intervalos de 1 segundo) y así poder tomar una decisión. En la figura 10 podemos ver la variación de la media y desviación estándar en el transcurso del tiempo.
Figura 10. Variación de la media y desviación estándar de la energía RMS de la señal filtrada.
Métodos relativo y absoluto
Cada uno de los métodos de selección está basado en las pruebas realizadas y en la observación del comportamiento de los parámetros de clasificación. El método absoluto hace referencia a la observación del comportamiento de la energía RMS como se observa en la figura 10. Existen valores máximos y mínimos de la energía RMS que definen una ráfaga de ondas alfa, de esta manera nos indican el momento en que la persona ha cerrado los ojos y ha entrado en un estado de adormecimiento. El método absoluto se basa entonces en fijar los valores de energía RMS a partir de los cuales se llega a este intervalo. Cabe aclarar que los valores elegidos fueron determinados para los tres sujetos siendo en los tres casos los mismos valores.
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
22
En otras palabras, si el promedio de la energía RMS se encontraba en el rango de estos valores entonces, una ráfaga de alfa está sucediendo y por ende el conductor ha entrado en el estado de adormecimiento. Sin embargo, al momento de realizar la prueba en tiempo real, dichos valores no se encontraban cerca al valor que se tenía propuesto, puesto que se encontró una dependencia del tamaño de la ventana que tomaba el registro de la energía RMS, así, a mayor tiempo de ventana menor el valor de la energía RMS. Por esta razón se decide realizar un método relativo aunque se vuelve a realizar pruebas para encontrar los valores absolutos que determinan el estado de adormecimiento. Esta metodología estuvo basada en la observación del comportamiento en tiempo real de la energía RMS y del sujeto, llegando finalmente a la determinación del siguiente rango como el estado de adormecimiento. Para obtener una mejor visualización del proceso, observar video en anexos.
̅̅̅̅̅̅̅
El método relativo evitaría entonces que se fijen valores absolutos, puesto que esto indicaría que todas las personas se rigen por los mismos niveles de energía RMS. El método relativo entonces se basará en la media de la energía de cada sujeto para determinar el estado de adormecimiento. La metodología para elegir el rango en que se detectaba el estado de adormecimiento se basó en la observación y en las adquisiciones obtenidas previamente y que se pueden observar en las figuras 7, 8, 9 y 10. La observación del comportamiento de la energía RMS, la media aritmética y su desviación estándar arrojó el siguiente rango de valores para la determinación del estado de adormecimiento.
( )
Este intervalo indica que si la energía en la ventana de tiempo supera el valor
medio de la energía RMS de 12 segundos anteriores (10 ventanas anteriores) y que en ese punto, ese valor es menor a su media más 2 veces la desviación estándar, es debido a un estado de adormecimiento temprano. Este rango fue determinado puesto que como se puede observar en la figura 10, el cambio de la desviación estándar al momento de presentarse una ráfaga de alfa aumentaba proporcionalmente. Al momento de probar este clasificador en tiempo real, se observó que era demasiado sensible y la alarma prácticamente se encontraba encendida la mayor parte del tiempo aun en estado de vigilia. Por esta razón se decide implementar el valor absoluto encontrado en el método anterior, de manera
que si ( ) y además se encuentra en el intervalo anteriormente
determinado, es porque el conductor ha entrado en estado adormecimiento. Este último método obtuvo mejores resultados. Los videos correspondientes a la metodología utilizada se pueden encontrar en anexos.
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
23
Alarma
Finalmente, se realiza la interacción cerebro-máquina a partir de la cual se activa una alarma sonora al momento de detectarse el estado de adormecimiento ya sea por el método relativo o absoluto de manera asincrónica.
Bocetos
Como último objetivo se propuso diseñar bocetos que permitieran una posible solución comercial para el conductor en estado de adormecimiento. En la figura 11 se observan 3 bocetos realizados por el estudiante de 7mo semestre de diseño industrial David Rios.
Figura 11. Bocetos de soluciones para los conductores de vehículos en estados de adormecimiento.
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
24
7.2 Trabajo computacional
La herramienta computacional que se utilizó para desarrollar el proyecto fue Matlab®. Este software fue seleccionado porque permitía la facilidad de desarrollar algoritmos y analizar señales en tiempo real a partir de la comunicación con dispositivos conectados por medio USB y el control de puertos periféricos del computador como los altavoces.
La comunicación entre el Emotiv® EPOC y el computador es inalámbrica vía bluetooth por medio de un puerto USB. El Emotiv® EPOC contiene un código que permite la visualización y adquisición de señales por medio de Matlab® y guardarlas en un archivo .mat de manera que lo único que se debe elegir son los canales que se quieren
grabar y la frecuencia de muestreo. La función Record(Seconds) permite guardar la
señal por el tiempo en segundos indicado en un archivo .mat mientras que la función
data(tiempo,electrodo) permite obtener los valores del electrodo seleccionado en el
tiempo seleccionado en forma de vector. Una vez tenemos claras las funciones sobre cómo guardar y obtener datos de EEG a partir del Emotiv® EPOC utilizando Matlab® se realizó un pequeño código que permitía guardar las señales de los 14 electrodos del Emotiv® EPOC durante aproximadamente una hora y graficar dichas señales en tiempo real. Este procedimiento se realizó con cada uno de los tres sujetos.
Seguidamente proseguimos a realizar el análisis de las señales obtenidas, para esto se realiza un código con la ayuda del Asesor para leer el archivo .mat y seleccionar el electrodo occipital requerido. Comenzamos la etapa de filtrado mediante la función
f_GetIIRFilter la cual recibe como parámetros la frecuencia de muestreo de la señal a
filtrar, el rango de frecuencias que queremos filtrar, el orden del filtro, el tipo de filtro que queremos, es decir, un pasa bandas, la ganancia en la banda de paso y el nombre
del filtro a utilizar ‘cheby2’ haciendo referencia a un filtro Chebyshev de orden 2; esta
función nos devuelve el filtro IIR. Ahora utilizamos la función f_IRRBiFilter la cual
recibe como parámetros los datos de la señal que queremos filtrar y el filtro obtenido con la función anterior, de manera que obtenemos la señal filtrada según las condiciones necesarias. Estas funciones fueron dadas por el Asesor para su uso directo.
Una vez contamos con la señal filtrada, procedemos a obtener el valor de la energía
RMS de la señal, para esto utilizamos la función f_RMSSignal la cual recibe como
parámetro la señal a la que se quiere obtener la energía RMS y la mitad del número de muestras de la señal. La función sigue la teoría propuesta en [9] en la que se obtiene la raíz de del promedio de la potencia de la señal. Esta función también fue dada por al Asesor para su uso directo.
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
25
Para crear el vector y la base de números que serán la energía sobre la cual procederemos a realizar la comparación para detectar el estado de adormecimiento, lo que hacemos es un código que recorra por ventanas de tamaño fijo el vector en donde se encuentra la energía RMS y vaya calculando la media aritmética y desviación estándar de la ventana de datos para luego guardarlos en un vector en el que se muestren la media y desviación estándar en el transcurso del tiempo. Luego se recorre el vector con la energía RMS de la señal cada segundo y se compara con la condición definida anteriormente sobre la definición del estado de adormecimiento, en la cual, si se cumple la condición, activará una alarma.
Por último realizamos un análisis de tiempo-frecuencia de la señal sin filtrar para obtener una visualización sobre los puntos en los que esperamos encontrar ráfagas de
alfa. Para esto utilizamos la función f_GaborAWTransformMatlab la cual calcula la
transformada Wavelet de Gabor usando una ventana Gaussiana modulada. Los parámetros que recibe esta función son la señal sobre la cual se va a realizar la transformada, la frecuencia de muestreo de dicha señal, las frecuencias mínimas y máximas que mostrará la transformada, el número de segmentos de frecuencia lo cual añade mayor resolución a la transformada pero consume mayor tiempo, el número de ciclos que debe cumplir la ventana Gaussiana para cada frecuencia y así realizar la transformada, la magnitud de los coeficientes, las magnitudes al cuadrado, la fase, el paso del tiempo, es decir, cada cuanto se mantendrán los valores en la matriz y si se quiere fijar una escala diádica. Esta función nos retorna los valores, el tiempo y la frecuencia en que suceden estos valores, de manera que para graficar los resultados
utilizamos la función f_ImageMatrix en donde le da un color a cada valor de la matriz,
haciendo de cada valor un pixel, de esta manera se pinta de rojo los valores máximos de la matriz y azul los valores mínimos.
Los pasos seguidos anteriormente brindan la capacidad de analizar las señales de EEG grabadas durante la simulación de las condiciones de conducción bajo agotamiento físico, además de brindar una guía sobre el comportamiento de las ondas alfa en los instantes en que se presenta el estado de adormecimiento. A continuación se hace referencia sobre el método utilizado para la aplicación del código en tiempo real. Primeramente inicializamos las variables que vamos a utilizar a lo largo del código, como el objeto Emotiv®, el archivo de audio, la frecuencia de muestreo, el número de ventanas, etc. Luego de inicializadas las variables a utilizar definimos una variable de
tiempo etime(clock,Punto de Inicio) la cual va a llevar el tiempo desde que se ejecuta la
línea del código Punto de Inicio, en este punto fijamos el tiempo que va a correr el
código de detección del estado de adormecimiento. En principio, sólo está limitado por la duración de batería del Emotiv® EPOC el cual brinda una autonomía de 12 horas. Luego vamos a decirle al código que espere el tiempo que se defina para tomar los datos de la ventana de tiempo, es decir, 1 segundo. Recordemos que hemos dicho
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
26
que cada segundo vamos a tomar los datos de una ventana de 3 segundos y a partir de
estos obtener la energía RMS. Ahora utilizamos la función data(tiempo,electrodos)
para la cual hemos definido el tamaño del vector de data igual que el de la ventana +
1, es decir que data contiene los últimos 4 segundos adquiridos por el Emotiv® EPOC, y
sólo seleccionamos el electrodo occipital que queremos observar. Procedemos a realizar el filtrado correspondiente con las mismas funciones mencionadas anteriormente al igual que la extracción de la energía RMS de la señal. Finalmente, realizamos un código en el que una vez tenemos el vector base con los valores de los 12 segundos anteriores vamos a calcular la media aritmética y desviación estándar del vector y así realizar la decisión de si se ha detectado un estado de adormecimiento dependiendo del método que hayamos elegido, el relativo o el absoluto; si es afirmativo el estado de adormecimiento se encenderá una alarma mediante el método
wavplay() el cual permite reproducir de manera asincrónica un archivo .wav.
8
VALIDACIÓN DEL TRABAJO
8.1 Metodología de prueba
Para verificar el funcionamiento de los métodos utilizados, fue preciso realizar pruebas de adquisición con el Emotiv® EPOC para poder adecuar los parámetros de data, frecuencia de muestreo y canales a grabar. Además se debe mostrar que la metodología propuesta en la sección 7.2 es acorde tanto con la teoría como con los resultados obtenidos, es decir, que la adquisición de señales de EEG sea correcta, que el filtrado realice lo propuesto en las frecuencias requeridas, etc. Para esto se realizó la transformada en tiempo-frecuencia se la señal y así observar los patrones de alfa, además se diseñará una solución gráfica indicando el encendido de la alarma al cumplirse la detección de estados de adormecimiento temprano. Finalmente, se espera obtener un coeficiente de correlación que indique la relación entre la alarma y el nivel de energía RMS de la señal.
8.2 Validación de los resultados del trabajo
Una de las primeras cosas que hubo que validar era la adquisición de señales de EEG con el Emotiv® EPOC, finalmente, la validación logró darse a los resultados obtenidos con los 3 sujetos que presentaron la prueba, sin embargo, cabe anotar que no funcionó en todos los sujetos, especialmente en aquellos que tenían una cabellera abundante como en el caso de las mujeres y hombres con pelo largo. De todas formas, estos sujetos constituyen una excepción ya que el Emotiv® EPOC ha funcionado perfectamente en otras mujeres y hombres con abundante cabellera.
La siguiente forma de validación fue en la aplicación del algoritmo de detección automática, para esto utilizamos las condiciones de detección encontradas en la sección 7.1 y corremos el código para señales offline. En este punto graficamos con un
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
27
‘1’ la activación de la alarma y un ‘0’ para la desactivación de la alarma. En la figura 12 se puede observar los resultados obtenidos.
Figura 12. Comprobación de la activación de la alarma en señales offline.
Como se puede observar, la figura muestra el tiempo de las demás figuras 8, 9 y 10 en las que se mostraba el comportamiento de la media y desviación estándar. En este punto podemos asegurar que el código de detección es satisfactorio por el método relativo, detectando estados de adormecimiento temprano, es decir, ráfagas de ondas alfa. Como comprobación del método utilizado hemos obtenido el coeficiente de correlación entre la señal Alarma y la señal Energía RMS con un valor de 0,4323 para toda la hora de simulación. Específicamente para la ventana de tiempo de las figura 8, 9 y 10, es decir desde el minuto 34 hasta el minuto 37,5 el coeficiente de correlación es 0,6904.
Finalmente, para comprobar el funcionamiento del código en tiempo real se realizaron diferentes videos ambos métodos de detección. Referirse al anexo para ver dichos videos.
8.3 Evaluación del plan de trabajo
Al comparar las actividades realizadas con las presentadas en la propuesta de tesis, se puede observar que sólo un objetivo no cumplió en totalidad. Una de las primeras actividades era la de obtener información sobre sistemas de reconocimiento de estados a partir de señales biomédicas, si bien este objetivo fue realizado y se encuentran en [12][13][14] y [15], el conocimiento de esta información brinda posibilidades de acción fuera de los límites del actual proyecto, de manera que sirvieron de guía teórica y de desarrollo del ambiente de simulación pero faltó aplicabilidad en el reconocimiento y detección de estados. El siguiente objetivo de
Estudio de parámetros para la detección del
estado de adormecimiento temprano a partir de
señales de electroencefalografía (EEG)
28
identificar parámetros para reconocer el estado de adormecimiento temprano fue realizado satisfactoriamente, si bien el objetivo anterior y otras fuentes de literatura nos brindaron parámetros como la potencia de las ondas alfa, beta y theta, se decidió centrarse en el comportamiento de la potencia de las ondas alfa puesto que su actividad era mucho más prominente en los 3 sujetos. El siguiente objetivo buscaba la creación y generación de un código que pudiera extraer estos parámetros para poder observarlos y estudiarlos, gracias al apoyo del Asesor se logró satisfactoriamente realizar un código de lectura de señales de EEG a partir del dispositivo Emotiv® EPOC. La implementación de un sistema de reconocimiento fue realizado en su totalidad, sin embargo, existen mejoras en el ámbito del método de selección puesto que sólo fue probado en una persona, además sólo se realizó una evaluación estadística del estado de adormecimiento con respecto a la activación de la alarma a partir del coeficiente de correlación. Se considera que por falta de tiempo no fue posible realizar una evaluación más rigurosa, ya que el acondicionamiento y pruebas en tiempo real exigieron una mayor inversión de tiempo. Finalmente, se realizaron bocetos de un producto final que podría ser implementado en un automóvil siguiendo los principios utilizados en el proyecto y detectar el estado de adormecimiento en un conductor.
9
DISCUSIÓN
El trabajo realizado consistió en la adquisición de señales de EEG de sujetos reales en condiciones de agotamiento físico o en estados de adormecimiento; el estudio y descripción de dichas señales para obtener parámetros caracterizadores del estado de adormecimiento temprano para luego ser aplicados en una interfaz cerebro-máquina que emitiera una alarma sonora en tiempo real y evitara al sujeto entrar en el estado de adormecimiento.
El uso del Emotiv® EPOC permitió el desarrollo satisfactorio del proyecto por sus características para el trabajo en cuestión, se mostró que es útil para el desarrollo de trabajos e investigaciones referente a la adquisición y tratamiento de señales de EEG, aunque sólo brinda 14 electrodos, éstos son suficientes para realizar la mayoría de los estudios. Uno de los logros obtenidos fue poder realizar un acercamiento a la emulación de conducción a partir de los recursos que se disponían en la Universidad de los Andes, puesto que los costos y riesgos de realizar la simulación en un ambiente más realista son bastante altos. De manera que obtener el lugar y el software de simulación fueron complicaciones superadas y que para un trabajo futuro sentaría una base para realizar una simulación en un ambiente más realista. De igual forma, a los sujetos del experimento se les solicitó que realizaran ejercicio e ingirieran alimentos antes de la prueba para inducir el estado de adormecimiento, efecto que puede variar en la vida real y que para trabajos futuros se aconseja en realizar la actividad con el desgaste natural por la acción de conducción. En el trabajo actual falta realizar un análisis estadístico más riguroso sobre la relación entre el estado de adormecimiento y