Actualmente, una de las principales aplicaciones de la caracterización de señales cerebrales es la interfaz cerebro-máquina (IMC). La transformada de Fourier es la representación de una señal en el dominio de la frecuencia. Investigar protocolos de adquisición de actividad eléctrica cerebral para lograr el control del movimiento del robot UR3 a través de una interfaz cerebro-máquina.
Evalúe el rendimiento de la interfaz cerebro-máquina para generar movimientos del robot UR3 en aplicaciones de recogida y colocación. Utilizando la información obtenida en investigaciones anteriores, se especificaron las características de cada una de las etapas de la interfaz cerebro-máquina. En la fase cuatro, segunda parte de la fase de desarrollo, se creó todo el software de interfaz cerebro-máquina.
Todas las fases involucradas en el funcionamiento de la interfaz fueron definidas en la arquitectura de la interfaz cerebro-máquina, Figura 24. En la segunda fase, interviene el preprocesamiento, filtrado y reducción de los datos provenientes de la fase de adquisición. En la etapa final, el robot UR3 es controlado por el cobot, el cual es comandado por la respuesta obtenida en la etapa de procesamiento.
Este punto de la interfaz contiene el área de trabajo y la planificación de las actividades de pick and place a realizar.
Robot cobot UR3 39
Se utilizó una placa Arduino Uno, la cual se puede observar en la Figura 2, esta placa fue elegida para recibir los datos de la computadora y enviar una señal digital al módulo de relé, además se utilizó esta placa ya que es de desarrollo libre, es decir , te permite adquirir su software y bibliotecas de forma gratuita. En la Figura 28 se puede ver un módulo con 4 relés, 4 acopladores ópticos con entradas y contactos, este módulo se utilizó para convertir una señal digital de 5 v DC a una señal digital de 24 v DC con aislamiento eléctrico gracias al optoacoplador.
Mesa de trabajo 40
La tercera actividad será abrir o cerrar el pestillo, efecto final, para recoger o dejar el objeto. Las actividades de selección e implementación descritas para este proyecto tienen una secuencia de trabajo realizada. La secuencia comienza esperando una señal de EEG en el punto de inicio para realizar la actividad 1 o la actividad 2, luego esperando en el punto de destino otra señal que active la actividad 3 para recuperar un objeto en esa posición.
El brazo robótico regresa automáticamente al punto inicial, donde espera otra señal para realizar la actividad 1 o la actividad 2, espera la última señal para abandonar el objeto en ese punto y devuelve el brazo robótico al punto inicial. Si por alguna razón la interfaz cerebro-máquina no realiza correctamente la etapa de recogida de objetos, se presionará un botón para activar el robot UR3 y reiniciar las actividades de recoger y colocar.
Conexiones externas entre componentes 41
La Figura 32 muestra el esquema de las conexiones realizadas entre el Arduino Uno, la placa del módulo de relés y los terminales de la placa de control en la entrada de señal del cobot UR3, con el objetivo de conectar la fase de procesamiento. y control del robot UR3. En el Arduino Uno, se usaron los pines digitales (líneas azules), que indicaban al módulo qué relé activar, el pin de salida de 5v DC (línea roja) y GND (línea negra) también se usaron para controlar los módulos de relé. En los módulos de relés se utilizaron los pines de alimentación Vcc donde se conectaban al pin 5v del arduino, el pin GND se conectaba al pin GND del arduino, las entradas digitales del módulo conectadas a las salidas digitales eran del Arduino los comunes de también se puentean todos los relés y a su vez se alimenta con 24v DC desde una salida de la placa de control Cobot UR3 (línea roja) y finalmente se conecta el terminal normalmente abierto del relé a la entrada digital conectada. desde la placa de control UR3 (línea amarilla).
Programación de códigos, interacción entre componentes e interfaz
- Características del código de adquisición de señales cerebrales 43
- Filtro media móvil 44
- Análisis con la transformada rápida de fourier 44
- Filtro Pasa banda 45
- Valor RMS 46
- Sistemas de clasificación 47
- Base de datos sin valor RMS 47
- Base de datos con valor RMS 48
- Características de los modelos de clasificación 48
- Modelo de clasificación de Análisis Discriminante Lineal LDA 49
- Interfaces de procesamiento de datos 53
- Interfaz de entrenamiento 53
- Interfaz de conexión final 55
Se implementa un filtro en los datos de cada uno de los canales y se utiliza un núcleo de 3 datos para trabajar con este filtro. Se implementó nuevamente la transformada rápida de Fourier para verificar la caracterización de la base de datos filtrada. Utilizando la base de datos no RMS obtenida en las etapas anteriores, en los sistemas de clasificación cambiamos la dimensionalidad de la base de datos de tridimensional a bidimensional.
Todas las características de la muestra por fila se obtuvieron transformando la base de datos, creando dimensiones donde 300 (filas) representan el número total de muestras que se recolectaron en las grabaciones de señales cerebrales y 10,400 (columnas) representan la combinación de todas las muestras. (1300 muestras por canal) de 8 canales, Tabla 2. Se ingresó a la segunda base de datos con objetivos de 300 muestras de la base de datos anterior, con cada valor objetivo organizado según el orden especificado en la base de datos anterior. Además de la base de datos con valores RMS con bidimensionalidad, Tabla 1, no se realizó la transformación de sus datos para implementar sistemas de clasificación.
Para realizar un seguimiento de la clasificación real de los datos, se implementó el mismo esquema de base de datos Targets que en el análisis de la base de datos sin valor RMS, Tabla 3. El proceso de división de la base de datos se realizó con el comando ''train_test_split'' que divide los arrays. o matrices en subconjuntos aleatorios de entrenamiento y prueba, donde el entrenamiento se parametriza con el 60% de los datos y se prueba con el 40%. Finalmente, con el comando “classifier.predict” se utilizó el modelo obtenido en el paso anterior para clasificar los datos de la base de datos de prueba, generando una nueva base de datos con las predicciones de clasificación.
Finalmente, con el comando “predict” se utilizó el modelo obtenido en el paso anterior para clasificar los datos de la base de datos de prueba, generando una nueva base de datos con las predicciones de clasificación. La recopilación de datos comienza con el comando "board.start_stream()" y espera 6 segundos para recopilar los datos del pensamiento. Una interfaz de entrenamiento, Figura 40, en la que se registró el nombre del usuario al que se le tomaron las señales EEG, para crear una base de datos de cada usuario.
Esto es para que el usuario sea consciente del movimiento en el que necesita pensar y también para tener una base de datos de pensamientos con cada movimiento. Luego de completar todo el proceso de visualización, adquisición, preprocesamiento y procesamiento de señales, la interfaz almacena la información final en la base de datos sobre el pensamiento imaginado, es decir, habrá 3 bases de datos que representarán el movimiento 1, el movimiento 2 y el movimiento 3. la base de datos se divide usando la biblioteca train_test_split que nos ayuda a cargar datos de la base de datos en variables.
Verificación de las etapas del sistema 57
Prueba de validación para la integración de los componentes 58
En las pruebas de validación de la integración de los componentes se unieron todos los componentes en la arquitectura hardware y software de la interfaz Cerebro-Máquina, utilizando como motor de arranque la interfaz de conexión final. Se verificó que todo el sistema estuviera conectado desde la etapa de comunicación hasta la etapa del robot UR3. Para la prueba de validación final se revisó qué sistema de clasificación daba mejores resultados para la interfaz cerebro-máquina, luego se utilizó el sistema de clasificación mejor obtenido y se inició una prueba funcional, donde se esperaba la interacción desde la etapa de registro hasta la etapa de control de movimiento. del brazo robótico.
RESULTADOS Y EVIDENCIAS 60
Código de arduino 102
Código de interfaz final con Máquinas de vector soporte y
Código de Entrenamiento. 114
