Implementación del algoritmo K-means para clusterización de señales EEG durante la aplicación de una prueba Stroop

Paúl Cárdenas Delgado
Daniela Prado
Bruno Iglesias
Ronnie Urdiales
Marcos Orellana
Priscila Cedillo Orellana
Resumen

El análisis de datos y la generación de modelos mediante aprendizaje automático (Machine Learning - ML por sus siglas en inglés) es una de las técnicas más usadas por la comunidad científica para obtener conocimiento que no se puede interpretar o analizar a simple vista. En este documento, se aborda el tema específico de la obtención, procesamiento de datos y modelado de los mismos mediante técnicas de agrupamiento, concretamente el algoritmo de K-Means. Los datos se obtienen a través de una herramienta de interfaz cerebro computador (ICC - BCI por sus siglas en inglés) basada en electroencefalograma (EEG), mientras un sujeto de prueba realiza una tarea de tipo Stroop, la cual permite a los psicólogos evaluar el control inhibitorio de las personas. La aplicación de este tipo de algritmo en esta área especifica, busca poder identificar patrones dentro de las señales EEG relacionados al estado del sujeto. La captura de datos se ejecuta en tres diferentes horas del día, matutina , vespertina, y nocturna, durante dos días consecutivos, con el objetivo de obtener variabilidad en los datos. Si bien la muestra de datos es pequeña, se puede emplear como punto de partida para el análisis del algoritmo K-means en señales EEG durante la ejecución del test Stroop. Los resultados se muestran tanto desde el punto de vista técnico como psicológico, y se puede ver en la clusterización realizada con las señales en el dominio del tiempo, que existe un patrón de agrupación según la hora del día en la que se realiza el test. Por otra parte, para la clusterización con las señales en el dominio de la frecuencia este patrón no resulta tan evidente. Desde la perspectiva psicológica, se comprueba que el proceso de aprendizaje y de acomodación al momento de realizar una prueba psicológica, disminuye su potencial.

DESCARGAS
Los datos de descarga aún no están disponibles.
Cómo citar
Implementación del algoritmo K-means para clusterización de señales EEG durante la aplicación de una prueba Stroop. (2021). Revista Tecnológica - ESPOL, 33(2), 172-188. https://doi.org/10.37815/rte.v33n2.847

Referencias

Al-Nafjan, A., Hosny, M., Al-Ohali, Y., & Al-Wabil, A. (2017). Review and Classification of Emotion Recognition Based on EEG Brain-Computer Interface System Research: A Systematic Review. Applied Sciences, 7(12), 1239. https://doi.org/10.3390/app7121239

Alqurashi, T., & Wang, W. (2019). Clustering ensemble method. International Journal of Machine Learning and Cybernetics, 10(6). https://doi.org/10.1007/s13042-017-0756-7

Ayodele, T. O. (2010). Types of Machine Learning Algorithms. New Advances in Machine Learning.

Basili, V. R., Caldiera, G., & Rombach, H. D. (1994). The goal question metric approach. Encyclopedia of Software Engineering, 2, 528-532. https://doi.org/10.1.1.104.8626

Ben-Israel, D., Jacobs, W. B., Casha, S., Lang, S., Ryu, W. H. A., de Lotbiniere-Bassett, M., & Cadotte, D. W. (2020). The impact of machine learning on patient care: A systematic review. En Artificial Intelligence in Medicine (Vol. 103, p. 101785). Elsevier B.V. https://doi.org/10.1016/j.artmed.2019.101785

Carvalho, T. P., Soares, F. A. A. M. N., Vita, R., Francisco, R. da P., Basto, J. P., & Alcalá, S. G. S. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers and Industrial Engineering, 137, 106024. https://doi.org/10.1016/j.cie.2019.106024

Emerenziani, G. Pietro, Vaccaro, M. G., Izzo, G., Greco, F., Rotundo, L., Lacava, R., Vignera, S. La, Calogero, A. E., Lenzi, A., & Aversa, A. (2020). Prediction equation for estimating cognitive function using physical fitness parameters in older adults. PLoS ONE, 15(5). https://doi.org/10.1371/journal.pone.0232894

Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). The KDD Process for Extracting Useful Knowledge from Volumes of Data. Communications of the ACM, 39(11), 27-34. https://dl.acm.org/doi/pdf/10.1145/240455.240464?casa_token=M2LKOwDtBmcAAAAA:Z_JvN1QHtQAdj4px-cISHRwZqwmFjrFq8cekNwgeEzMrYdMA7RPpimsq6Hxv5cwE_FqOMazrc4QPVw

Likas, A., Vlassis, N., & J. Verbeek, J. (2003). The global k-means clustering algorithm. Pattern Recognition, 36(2). https://doi.org/10.1016/S0031-3203(02)00060-2

MacLeod, C. M. (1991). Half a century of research on the Stroop effect: An integrative review. Psychological Bulletin. https://doi.org/10.1037//0033-2909.109.2.163

Medina, B., Sierra, J. E., & Ulloa, A. B. (2018). Técnicas de extracción de características de señales EEG en la imaginación de movimiento para sistemas BCI Extraction techniques of EEG signals characteristics in motion imagination for BCI systems. Espacios, 39(22).

Montañés, P., & de Brigard, F. (2011). Neuropsicología clínica y cognoscitiva. Centro Editorial, Facultad de Ciencias Humanas. https://books.google.com.ec/books?id=-xW_DwAAQBAJ&printsec=frontcover&dq=neuropsicología+clinica&hl=es&sa=X&redir_esc=y#v=onepage&q=neuropsicología clinica&f=false

Nasteski, V. (2017). An overview of the supervised machine learning methods. HORIZONS.B, 4. https://doi.org/10.20544/horizons.b.04.1.17.p05

Onwuegbuzie, A., & Leech, N. (2005). On becoming a pragmatic researcher: The importance of combining quantitative and qualitative research methodologies. En International Journal of Social Research Methodology: Theory and Practice (Vol. 8, Número 5, pp. 375-387). Routledge . https://doi.org/10.1080/13645570500402447

Peña Barrientos, M. C., Gómez Mazo, T., Mejía Rúa, D., Hernández, J., & Tamayo Lopera, D. (2017). Caracterización del control inhibitorio en adolescentes del grado once de la Institución Educativa Normal Superior de Envigado-Colombia. Psicoespacios, 11(18). https://doi.org/10.25057/21452776.906

Popov, T., Westner, B. U., Silton, R. L., Sass, S. M., Spielberg, J. M., Rockstroh, B., Heller, W., & Miller, G. A. (2018). Time course of brain network reconfiguration supporting inhibitory control. Journal of Neuroscience, 38(18). https://doi.org/10.1523/JNEUROSCI.2639-17.2018

Priya, A., Garg, S., & Tigga, N. P. (2020). Predicting Anxiety, Depression and Stress in Modern Life using Machine Learning Algorithms. Procedia Computer Science, 167. https://doi.org/10.1016/j.procs.2020.03.442

Rennie, J. P., Zhang, M., Hawkins, E., Bathelt, J., & Astle, D. E. (2020). Mapping differential responses to cognitive training using machine learning. Developmental Science, 23(4). https://doi.org/10.1111/desc.12868

Runeson, P., Höst, M., Rainer, A., & Regnell, B. (2012). Case Study Research in Software Engineering: Guidelines and Examples. En Case Study Research in Software Engineering: Guidelines and Examples. https://doi.org/10.1002/9781118181034

Rusell, S., & Norvig, P. (2004). Inteligencia Artificial. Un Enfoque Moderno. En D. F. Aragón; (Ed.), Inteligencia Artificial (Segunda).

Scarpina, F., & Tagini, S. (2017). The stroop color and word test. En Frontiers in Psychology (Vol. 8, Número APR). https://doi.org/10.3389/fpsyg.2017.00557

Shani, R., Tal, S., Zilcha-Mano, S., & Okon-Singer, H. (2019). Can Machine Learning Approaches Lead Toward Personalized Cognitive Training? Frontiers in Behavioral Neuroscience, 13, 64. https://doi.org/10.3389/fnbeh.2019.00064

Stroop, J. R. (1935). Studies of interference in serial verbal reactions. Journal of Experimental Psychology, 18(6), 643-662. https://doi.org/10.1037/h0054651

Stroop, J. R. (1992). Stroop 1933.Pdf. En Journal of Experimental Psychology: General (Vol. 121, pp. 15-23).

Suryotrisongko, H., & Samopa, F. (2015). Evaluating OpenBCI Spiderclaw V1 Headwear’s Electrodes Placements for Brain-Computer Interface (BCI) Motor Imagery Application. Procedia Computer Science, 72. https://doi.org/10.1016/j.procs.2015.12.155

Trápaga, C., Pelayo, H., Sánchez, I., Bello, Z., & Bautista, A. (2018). De la psicología cognitiva a la neuropsicología (G. Moreno (ed.)). El Manual Moderno. https://books.google.com.ec/books?id=_T52zQEACAAJ&dq=psicología+cognitiva&hl=es&sa=X&redir_esc=y

Wang, M., Zhang, S., Lv, Y., & Lu, H. (2018). Anxiety Level Detection Using BCI of Miner’s Smart Helmet. Mobile Networks and Applications, 23(2). https://doi.org/10.1007/s11036-017-0935-5

Xin, J. (2011). K-Means Clustering. Encyclopedia of Machine Learning, 563-564. https://doi.org/10.1007/978-0-387-30164-8_425

S. Kaneta, I. Wakabayashi and T. Kawahara, "Feasibility of BMI improvement applying a Stroop effect," 2016 18th International Conference on Advanced Communication Technology (ICACT), 2016, pp. 681-684, doi: 10.1109/ICACT.2016.7423518.

X. Hou, Y. Liu, O. Sourina, Y. R. E. Tan, L. Wang and W. Mueller-Wittig, "EEG Based Stress Monitoring," 2015 IEEE International Conference on Systems, Man, and Cybernetics, 2015, pp. 3110-3115, doi: 10.1109/SMC.2015.540.

Lim, Alfred & Chia, Wai. (2015). Analysis of Single-Electrode EEG Rhythms Using MATLAB to Elicit Correlation with Cognitive Stress. International Journal of Computer Theory and Engineering. 7. 149-155. 10.7763/IJCTE.2015.V7.947.

Elorriaga, Sergio. (2017). Estandarización Mexicana del Test Stroop: Datos Normativos.

Artículos similares

También puede Iniciar una búsqueda de similitud avanzada para este artículo.

Artículos más leídos del mismo autor/a