DSpace Repository

Feature extraction and classification of EEG-based overt and imagined speech

Show simple item record

dc.contributor.author Figueroa Aguilar, Isaac
dc.date.accessioned 2020-07-16T22:33:58Z
dc.date.available 2020-07-16T22:33:58Z
dc.date.created 2019-11-12
dc.date.issued 2020-03-13
dc.identifier.citation Figueroa Aguilar, Isaac. (2019). Feature extraction and classification of EEG-based overt and imagined speech (Maestría en Ciencias en Ingeniería de Cómputo). Instituto Politécnico Nacional, Centro de Investigación en Computación, México. es
dc.identifier.uri http://tesis.ipn.mx/handle/123456789/28260
dc.description Tesis (Maestría en Ciencias en Ingeniería de Cómputo), Instituto Politécnico Nacional, CIC, 2019, 1 archivo PDF, (90 páginas). tesis.ipn.mx es
dc.description.abstract RESUMEN: Con el propósito, de auxiliar a personas con problemas del habla, en algunas investigaciones se han implementado técnicas de aprendizaje máquina para tratar de reconocer la voz directamente de la actividad del cerebro. La electroencefalografía es una técnica no invasiva que ha sido utilizada para este propósito, por lo que en el presente trabajo se describen los métodos que fueron utilizados para probar la factibilidad del reconocimiento de voz desde señales de electroencefalografía al clasificar categorías fonológicas binarias en experimentos independientes de sujetos. Estos experimentos fueron desarrollados para dos actividades mentales diferentes: el habla común y el habla imaginada (pronunciación de sonidos o palabras de manera externa e interna, respectivamente). Asimismo, las muestras provenientes de cada actividad mental se emplearon en clasificadores que utilizan dos diferentes enfoques: 1. Basado en vectores, y 2. Espacio-temporales. En el primer enfoque se utilizaron clasificadores tradicionales en un esquema de votación por canal. Por otro lado, el segundo enfoque consistió en utilizar clasificadores basados en neuronas pulsantes, las cuales, de acuerdo al estado del arte, no habían sido utilizadas con anterioridad para estos estados mentales. Adicionalmente, para llevar a cabo estos experimentos fue necesario emplear, por clasificador, pasos específicos en el procesamiento de los datos y en la extracción de características. Para ambas actividades mentales (habla común e imaginada), los mejores resultados en todos los experimentos fueron obtenidos con el clasificador basado en una sola neurona pulsante. Además, los mejores resultados para las muestras del habla común fueron obtenidos con el enfoque basado en vectores, mientras que para las muestras del habla imaginada fueron obtenidos con el enfoque Espacio-temporal. Al final de esta tesis se plantean discusiones, análisis y conclusiones sobre estos resultados. ABSTRACT: Mainly to aid people with speaking problems, some researches have implemented machine learning techniques to recognize speech directly from brain activity. The electroencephalography is a non-invasive technique that has been used for this purpose. Due to that, in this work are described the followed methods that were used to test if it is feasible to recognize speech from electroencephalography signals by classifying binary phonological categories with subject-independent experiments. These experiments were performed for two different mental activities: overt and imagined speech (external and internal pronunciation of sounds or words, respectively). Thus, the samples of each mental activity were used by classifiers from two different approaches: 1. Vector-based, and 2. Spatio-temporal. For the first approach, traditional classifiers were used in a proposed voting scheme per channel. On the other hand, the second approach consisted of using classifiers based on spiking neurons, which, according to the literature review, have not been used before for these mental activities. Furthermore, for these experiments, specific data processing, and feature extraction steps were also necessary per approach and classifier employed. For both mental activities (overt and imagined speech), the scores obtained with the single spiking neuron classifier outperformed others in all the experiments. Besides, the best results obtained for overt speech samples were with the Vector-based approach, while for imagined speech samples, the best results were with the Spatio-temporal approach. Discussions, analysis, and conclusions over these results are stated at the end of this thesis. es
dc.language.iso en es
dc.subject Redes neuronales es
dc.subject Electroencefalografía es
dc.subject Procesamiento de señales es
dc.title Feature extraction and classification of EEG-based overt and imagined speech es
dc.contributor.advisor Suárez Guerra, Sergio
dc.contributor.advisor Oropeza Rodríguez, José Luis


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Browse

My Account