Reducción del número de sensores de EEG y detección de movimiento del motor

En los últimos años los estudios en inteligencia artificial y machine learning se han generalizado y por ello ya es habitual ver en muchos lugares algoritmos de reconocimiento de patrones que se utilizan, ya sea en un anuncio que recibes de una tienda, un chatbot que aprende de los errores cometidos o en los coches autónomos de Google y Tesla. Este trabajo pretende reconocer patrones de movimientos voluntarios mediante la inteligencia artificial utilizando datos de tensión del cerebro y capturados mediante electroencefalografía (EEG). En este sentido también se demuestra que es posible preprocesar las señales de EEG, reduciendo el esfuerzo de procesamiento del sistema, reduciendo la cantidad de canales a analizar sin perjudicar el reconocimiento de patrones. En este ámbito fue posible reducir el número de sensores de 64 a 18, alcanzando un 72% de precisión en el mejor de los casos -que puede variar hasta el 73% mediante la manipulación de la Red Neural Artificial (RNA). Así, es posible demostrar que los análisis basados en las teorías de la señal generan resultados satisfactorios en cuanto al error de clasificación