Procesado de señal encefalográfica para el pronóstico de intenciones motoras

Abstract

El presente Trabajo de Fin de Grado se enmarca en el ámbito de la neuro ingeniería y la inteligencia artificial, abordando el procesado de señales encefalografías (EEG) con el objetivo de predecir intenciones motoras humanas. La motivación de este estudio nace de una problemática real y creciente: el aumento significativo de amputaciones de extremidades en la población, tanto por causas médicas como la diabetes mellitus tipo 2, como por accidentes laborales o de tráfico. Esta situación plantea un desafío tanto médico como social que ha encontrado en las tecnologías de interfaz cerebro-ordenador (BCI, por sus siglas en inglés) una vía prometedora de solución. A través de estas interfaces, es posible traducir señales neuronales en comandos que permiten el control de dispositivos externos, como prótesis robóticas o sistemas de asistencia, restaurando parcialmente la funcionalidad motora de personas con discapacidad. En este trabajo se emplea una base de datos pública de registros EEG obtenida a través de PhysioNet, en la que se recoge la actividad cerebral de más de un centenar de participantes durante la ejecución o imaginación de movimientos motores simples, como abrir y cerrar los puños o mover los pies. Esta base de datos, estructurada en formato EDF, contiene registros multicanal correspondientes a diferentes tareas clasificadas y etiquetadas en función de la acción ejecutada o imaginada (etiquetas T0, T1 y T2). Cada uno de estos registros ha sido analizado mediante técnicas de procesado digital de señales, con la finalidad de estructurar los datos en matrices tridimensionales organizadas espacialmente según la disposición anatómica de los electrodos (basada en el sistema 10-10 de colocación), y temporalmente en ventanas uniformes de 656 muestras. La metodología aplicada contempla un conjunto de fases interdependientes que van desde la adquisición de los datos en crudo hasta su preparación para el entrenamiento de modelos de aprendizaje automático. En primer lugar, se ha llevado a cabo una limpieza de los nombres de canales, la identificación de anotaciones temporales relevantes y la segmentación precisa de los fragmentos de señal donde se produce la intención motora. Posteriormente, se ha diseñado un procedimiento automatizado para mapear cada uno de los 64 canales disponibles en la base de datos a una plantilla bidimensional de 10x11 posiciones, permitiendo así 7 preservar la información espacial de las señales y facilitar su tratamiento mediante arquitecturas de deep learning como redes convolucionales. Uno de los principales retos técnicos ha sido el tratamiento eficiente de una gran cantidad de datos con alto contenido de ruido y una relación señal/ruido baja, característica inherente a los sistemas EEG no invasivos. Para mitigar este problema, se han implementado estrategias de filtrado paso banda (0.5–40 Hz), normalización por canal (z-score) y estructuración uniforme de las etiquetas temporales, asegurando la homogeneidad del conjunto de entrenamiento. El almacenamiento final de los datos se ha realizado en formato NumPy (.npy), compatible con bibliotecas de aprendizaje automático como Scikit-learn, TensorFlow o PyTorch, lo que permitirá en etapas posteriores el desarrollo de clasificadores entregables capaces de distinguir entre estados de reposo, intención de movimiento real e intención de movimiento imaginado. Además del componente técnico, el trabajo incluye una reflexión crítica sobre las implicaciones legales y éticas del uso de tecnologías BCI, especialmente en lo relativo a la protección de los neuro datos personales. Se aborda la necesidad de aplicar la normativa europea vigente, particularmente el Reglamento General de Protección de Datos (RGPD), a contextos emergentes como el de la neuro tecnología, donde los datos recogidos no solo son altamente sensibles, sino que también pueden ser utilizados con fines de control, discriminación o manipulación. El concepto de “neuro privacidad” se presenta como una dimensión aún no completamente legislada, pero crucial para el desarrollo responsable de estas herramientas. Entre los objetivos específicos del proyecto destacan: la comprensión del contexto médico y social de las amputaciones en España y Europa; la creación de una base de datos preprocesada y etiquetada para análisis computacional; la parametrización de la señal EEG para identificar variables relevantes; el estudio de la relación entre intención cognitiva y activación motora cortical; y la exploración del marco jurídico que regula el tratamiento de señales cerebrales con fines clínicos y tecnológicos. Además, se desarrolla modelos de Machine Learning para la clasificación de intenciones motoras a partir de señales EEG, abordando desde el preprocesamiento y la extracción de características hasta la evaluación del rendimiento de los modelos y la detección de 8 transiciones temporales. Los resultados obtenidos confirman la viabilidad del enfoque planteado, consolidando su utilidad para aplicaciones en interfaces cerebro-computadora. A través de una combinación equilibrada entre ingeniería biomédica, computación aplicada y reflexión ética, se pretende avanzar en el diseño de soluciones que mejoren la calidad de vida de personas con discapacidad motora, integrando los valores de accesibilidad, autonomía y privacidad en el desarrollo de tecnologías emergentes.

This Bachelor’s Thesis is framed within the fields of neuroengineering and artificial intelligence, focusing on the processing of electroencephalography (EEG) signals with the goal of predicting human motor intentions. The motivation for this study arises from a real and growing concern: the significant increase in limb amputations within the population, due to medical causes such as type 2 diabetes mellitus, as well as workplace or traffic accidents. This situation poses both a medical and social challenge that brain-computer interface (BCI) technologies have emerged as a promising solution to address. Through these interfaces, it is possible to translate neural signals into commands that control external devices, such as robotic prostheses or assistive systems, thereby partially restoring motor functionality for people with disabilities. This work employs a public EEG dataset obtained from PhysioNet, which records the brain activity of over a hundred participants during the execution or imagination of simple motor tasks, such as opening and closing fists or moving the feet. The dataset, structured in EDF format, contains multichannel recordings classified and labeled according to the executed or imagined action (labels T0, T1, and T2). Each recording was analyzed using digital signal processing techniques to structure the data into three-dimensional matrices, spatially organized based on the anatomical layout of electrodes (according to the 10-10 placement system), and temporally segmented into uniform windows of 656 samples. The applied methodology consists of a set of interdependent phases, ranging from raw data acquisition to its preparation for Machine Learning model training. First, channel names were cleaned, relevant temporal annotations identified, and signal segments corresponding to motor intention precisely segmented. Subsequently, an automated procedure was designed to map each of the 64 available channels onto a 10x11 two-dimensional template, preserving the spatial information of the signals and facilitating their processing through deep learning architectures such as convolutional neural networks. 10 One of the main technical challenges was the efficient handling of large amounts of data with high noise levels and low signal-to-noise ratio, an inherent characteristic of non-invasive EEG systems. To address this, band-pass filtering (0.5–40 Hz), per-channel normalization (z-score), and uniform structuring of temporal labels were implemented, ensuring homogeneity within the training dataset. The final data storage was performed in NumPy (.npy) format, compatible with Machine Learning libraries like Scikit-learn, TensorFlow, and PyTorch, enabling the future development of classifiers capable of distinguishing between resting state, real movement intention, and imagined movement intention. Beyond the technical component, this work includes a critical reflection on the legal and ethical implications of BCI technologies, especially regarding the protection of personal neurodata. It highlights the need to apply current European regulations — particularly the General Data Protection Regulation (GDPR) — to emerging contexts like neurotechnology, where collected data are not only highly sensitive but could also be exploited for control, discrimination, or manipulation purposes. The concept of “neuroprivacy” is presented as a not yet fully legislated but crucial dimension for the responsible development of these tools. The specific objectives of this project include understanding the medical and social context of amputations in Spain and Europe; creating a preprocessed and labeled database for computational analysis; parametrizing EEG signals to identify relevant variables; studying the relationship between cognitive intention and cortical motor activation; and exploring the legal framework governing the processing of brain signals for clinical and technological purposes. Additionally, Machine Learning models were developed for the classification of motor intentions from EEG signals, addressing every step from Preprocessing and Feature Extraction to performance evaluation and detection of temporal transitions. The results confirm the feasibility of the proposed approach, reinforcing its potential for applications in brain-computer interfaces. Through a balanced combination of biomedical engineering, applied computing, and ethical reflection, this work aims to advance the design of solutions that improve the quality of life for people with motor disabilities, integrating values of accessibility, autonomy, and privacy into the development of emerging technologies.