Download Ensamblado multicanal de Redes Neuronales Artificiales para la

XIII JORNADAS INTERNACIONALES DE INGENIERIA CLINICA Y TECNOLOGIA MEDICA, PARANÁ, ENTRE RÍOS, ARGENTINA
1
Ensamblado multicanal de Redes Neuronales
Artificiales para la detección del P300 en
señales EEG
Elizabeth Hernández, Alex Aguilar, Steren Chabert, y Rodrigo Salas
Departamento de Ingeniería Biomédica. Universidad de Valparaíso,
[email protected] , [email protected] , [email protected] ,
[email protected]
Resumen— En este trabajo se propone una nueva técnica para
mejorar la detección del potencial evocado asociado a eventos
infrecuentes P300 mediante la colaboración sinérgica de redes
neuronales artificiales expertas en diferentes canales de la señal
EEG. De esta forma se aprovecha la información multicanal para
mejorar la efectividad y eficiencia en la detección del potencial
evocado relacionado a eventos, y así generar en forma oportuna
señales de control a dispositivos en aplicaciones de Interfaz
Cerebro Computador. Resultados experimentales utilizando los
datos adquiridos en las competencias de BCI2000 muestran un
buen desempeño de la técnica propuesta frente a diferentes
niveles de promediación coherente de la señal y contrastado con
las técnicas individuales y mono-canal de redes neuronales
artificiales.
Palabras Clave: Ensamblado de Redes .euronales Artificiales,
EEG multicanal, Interfaz Cerebro Computadora (ICC), P300.
I. INTRODUCCIÓN
L
as Interfaces Cerebro Computadora (ICC) buscan
establecer vías alternativas de comunicación y control de
una computadora por una persona con algún grado de
discapacidad motora que no lograría este manejo de otra
forma. Se trata de desarrollar medios que entreguen un grado
de autonomía para personas discapacitadas, como por ejemplo,
permitir a una persona conciente pero tetrapléjica escribir
mensajes en una pantalla.
Una de las vías de comunicación explorada para lograr este
propósito ha sido el uso de señales neuronales registradas por
electroencefalografía (EEG), durante algún tipo de actividad
mental dirigida. Los eléctrodos de adquisición de las señales
se posicionan directamente sobre el cuero cabelludo en
diferentes ubicaciones pre-determinadas por el sistema
internacional 10-20 [3]. Se considera esta técnica como no
invasiva. Al presentar un estímulo al paciente, se genera una
actividad neuronal denominada Potenciales Evocados
Relacionados a Eventos (o Event Related Potential ERP),
como
pequeñas
variaciones
características
del
electroencefalograma que se hayan sincronizadas con algún
suceso sensorial, motor o cognitivo, y que constituyen un
indicador neurofisiológico del procesamiento subconsciente de
*
Este trabajo fue financiado por el proyecto de colaboración internacional
STICAMSUD 09STIC01 y el proyecto de investigación DIPUV Regular
37/2008.
esos sucesos [14]. Existen varios tipos de ERP ya conocidos,
caracterizados por su variación de señal positiva (P) o negativa
(N) y por el desfase temporal que presentan posterior a la
presentación del estímulo. De particular interés es el Potencial
P300, onda positiva de latencia de 300 ms. Para evocarlos se
utiliza el paradigma oddball que implica una tarea de
reconocimiento de un estímulo más frecuente denominado
“estándar” ([3], [5], [7] y [8]). La amplitud de la P300 ha sido
asociada con la dificultad de la tarea y con la cantidad de
información del estímulo mediante los recursos atencionales
utilizados en la realización de las tareas, en los procesos de
memoria inmediatos y de la memoria de trabajo [9].
Un sistema deletreador BCI basado en P300 (P300-Speller),
tiene como objetivo permitir a una persona discapacitada
poder escribir una palabra mediante señales provenientes de su
cerebro. Este dispositivo fue presentado por primera vez por
Farwell y Donchin [10], quienes propusieron utilizar las
respuestas naturales del cerebro a un estímulo externo visual,
empleándolas como patrones de comunicación. El estudio
apuntaba a determinar si un potencial relacionado a eventos
como P300 podía ser empleado como un switch que permita al
usuario poder alternar entre una opción u otra, en este caso
escribir una letra u otra. Es importante destacar que una vez
realizada la adquisición de señales de EEG, esta información
se procesa, se interpreta y luego se asocia a intenciones
voluntarias del sujeto.
Para el desarrollo de un sistema de interfaz cerebrocomputadora como el P300-Speller es necesario determinar la
presencia o ausencia de un P300 dentro de un EEG, lo que
puede ser considerado como un problema de clasificación
binario [11]. Para esto existen diferentes algoritmos para la
detección de P300 y en la actualidad los más utilizados son
cinco: Pearson’s correlation method (PCM), Fisher’s linear
discriminant (FLD), stepwise linear discriminant analysis
(SWLDA), linear support vector machine (LSVM) and
Gaussian support vector machine (GSVM). Sin embargo se
han propuesto también variantes utilizando algoritmos
Genéticos [1] y técnicas neuro-difusas [12].
Una de las dificultades de trabajar con P300 en este caso es
que la señal a detectar es tenue, y necesita muchas repeticiones
de adquisición para una buena detección, lo que alarga el
proceso experimental y el tiempo necesario para la redacción
de una palabra. Por otra parte, una de las dificultades de este
tipo de técnica, es que están en presencia de un hecho único,
XIII JORNADAS INTERNACIONALES DE INGENIERIA CLINICA Y TECNOLOGIA MEDICA, PARANÁ, ENTRE RÍOS, ARGENTINA
que es la activación cerebral que genera el P300, captado en
forma diversa por los distintos electrodos ubicados en el cuero
cabelludo. El propósito global de este trabajo es sacar
provecho de las distintas fuentes de información dado por los
diferentes canales, para así mejorar la capacidad de detección
del P300.
En efecto, una forma alternativa de detección de ERP es a
través de la aplicación de
redes de neuronas
artificiales (RNA o
en inglés como
"ANN")
como
clasificadores, y para las cuales existen ya técnicas exploradas
para combinar eficientemente los resultados de clasificación.
Estas estructuras son de utilidad en reconocimiento de
patrones, modelado y filtrado no lineal de señales, entre
muchas otras aplicaciones. Se definen como un paradigma de
aprendizaje y procesamiento automático inspirado en la forma
en que funciona el sistema nervioso de los animales. Se trata
de un sistema de interconexión de neuronas artificiales en
una red que colabora para producir un estímulo de salida. En
general, las redes neuronales artificiales, mediante el ajuste de
sus parámetros, son capaces de realizar alguna tarea u
operación.
En los últimos años, las técnicas de ensamblado han sido un
foco importante de desarrollo tanto teórico como aplicado en
la comunidad de las máquinas de aprendizaje (ver [2] y [6]).
Las razones del éxito de estas técnicas radica en su capacidad
de mejorar el desempeño predictivo de un conjunto diverso de
máquinas individuales.
El objetivo de este trabajo es evaluar el desempeño de una
nueva técnica de detección de potenciales evocados
relacionados a eventos P300, a través de ensamblados
multicanal de redes neuronales, Ensamblado por Votación y
Ensamblado Ponderado, donde cada canal está asociado a una
RNA. Se busca de esta forma mejorar la eficiencia que se
puede lograr con un modelo individual y mono-canal de red
neuronal artificial.
II. MATERIALES Y MÉTODOS
En esta sección se presentarán los detalles de los datos
utilizados, del filtro aplicado a los datos para minimizar la
influencia del ruido, del diseño de las RNA utilizadas y
finalmente de la técnica de ensamblado desarrollada.
A. Señales EEEG en una Interfaz Cerebro Computadora.
Las señales con las que se trabajó fueron descargadas de la
base de datos de BCI del centro de investigación de
Wadsworth y que corresponden a las competencias BCI2000
de los años 2003 y 2004 (http://www.bbci.de/competition/).
Los datos fueron adquiridos mediante el sistema BCI2000 que
está desarrollado para la investigación en interfaz cerebrocomputador (ICC) (ver [15]). También se puede utilizar para
la adquisición de datos, presentación del estímulo, y
aplicaciones de monitoreo cerebral. Cada conjunto de datos
(compilado de señales) se obtuvo a partir del uso del
“Deletreador de Donchin”, interfaz que presenta una matriz
donde están colocados los caracteres del alfabeto. La actividad
eléctrica del cerebro se registró en la superficie del cuero
cabelludo de acuerdo al sistema internacional de registro 10-
2
20, se utilizaron 64 canales para la toma de muestras, sin
embargo en nuestro estudio se seleccionaron solamente los
seis siguientes canales: Fz, Pz, Oz, Cz, C3 y C4.
B. Filtro de Difusión Anisotrópica
El filtro de difusión anisotrópica o no lineal, establece un
sistema retroalimentado para preservar la gráfica principal de
las señales mediante la adaptación de una función de
difusividad. La expresión del filtro está dada por la siguiente
ecuación:
∂f
= div ( g ( f ,τ )⋅ | ∇f |)
∂τ
(1)
 | ∇ f |2 

f corresponde a la señal, g ( f ,τ ) = exp −
κ 2 

es la función de difusividad, | ∇f | es la magnitud del
donde
gradiente de la señal y τ es el número de iteraciones que se
realicen. La función g modula y pondera la magnitud del
gradiente en cada iteración τ , anulado la difusión en valores
altos de gradientes, privilegiando la preservación de los
cambios abruptos de la señal, pero a la vez suaviza la
presencia del ruido.
Un parámetro importante es κ, especificado por el usuario,y
representa las magnitudes del gradiente de la señal a partir de
las cuales la difusión comienza a disminuir y como
consecuencia se conservan las componentes gráficas. En este
trabajo, se consideró un κ de diez, y dos iteraciones. (ver [13]
para mayores detalles).
C. Redes /euronales Artificiales
El tipo de red neuronal que se utilizó es de tipo Feedforward
conocida por sus siglas en inglés FANN o conocida también,
como Perceptrón Multicapa, la cual es la más popular y más
ampliamente conocida. En esta red la información sólo se
propaga en una dirección, desde los nodos de entrada, a través
de los nodos ocultos y hacia los nodos de salida. Aquellas
unidades están organizadas en arquitectura con tres tipos de
capas: de entrada o capa sensorial, las capas ocultas y de
salidas. Las neuronas correspondientes a una capa son unidas a
las neuronas de las capas subyacentes sin ningún tipo de
puente, conexión lateral o de realimentación. Las conexiones
simbolizan el flujo de información entre las neuronas. La Fig.
1 ilustra la arquitectura de esta red neuronal artificial con una
capa oculta.
La ecuación que regula el funcionamiento de la red neuronal
artificial está dado por la siguiente expresión:
 λ

 m

yˆ = γ 2  ∑ w[j2]γ 1  ∑ wij[1] xi + wm[1+] 1, j  + wλ[ 2+]1 
 i =1

 j =1

(2)
λ corresponde a la cantidad de neuronas escondidas,
γ 1 () y γ 2 () son las funciones de activación de las neuronas de
donde
la capa escondida y de salida respectivamente. Para este
trabajo se utilizó la función logística
γ (z) =
1
.
1 + e− z
XIII JORNADAS INTERNACIONALES DE INGENIERIA CLINICA Y TECNOLOGIA MEDICA, PARANÁ, ENTRE RÍOS, ARGENTINA
3
clasificará con ausencia de P300 (clase -1) en caso contrario.
La salida del ensamblado está dada por la siguiente ecuación:
 1 z ( x) ≥ 0
(3)
d ( x) = 
− 1 z ( x ) < 0
Figura 1: Red Neuronal Artificial del tipo Feedforward con una capa oculta.
El vector de pesos
w = [ wij[1] ; wm[1]+1, j ; w[j2] ; wλ[ 2] ] es
estimado a partir de los datos de entrenamiento mediante el
algoritmo de aprendizaje supervisado conocido como
retropropagación. Para ver más detalle de las propiedades y de
las capacidades de esta técnica se sugiere revisar el libro de C.
Bishop [4]. En este estudio se construyó una red del tipo
feedforward para cada canal de la señal EEG sub-muestrada,
por lo que se utilizaron 121 neuronas de entrada; además se
especificaron arbitrariamente, mediante prueba y error, 10
neuronas escondidas y 1 neurona de salida. La neurona de
salida entrega un valor continuo en el intervalo [0,1], donde 0
indica ausencia de P300 y 1 presencia de P300. Para el
ensamblado esta salida fue reescalada al intervalo [-1,1].
D. Ensamblado de Redes /euronales Artificiales
La idea básica en la construcción de un clasificador basado
en ensamblado de máquinas es combinar apropiadamente un
conjunto de clasificadores individuales de manera tal que la
decisión final está compuesta por la agregación de las
predicciones individuales [2].
En este trabajo proponemos dos configuraciones de
Ensamblado de Redes Neuronales Artificiales las que varían
acorde a la forma en que se agregan las decisiones
individuales. En la Figura 2 se muestra esquemáticamente
cómo se construye el ensamblado multi-canal de redes
neuronales artificiales. En ambas técnicas se entrenó una red
neuronal artificial para cada uno de los canales bajo estudio, es
decir, los canales: Fz, Pz, Oz, Cz, C3 y C4. De esta forma,
dada una señal EEG de algún canal, la red neuronal artificial
correspondiente genera una salida que puede ser 1 si su
pronóstico es que la señal tenga presencia de P300 y -1 en
caso contrario.
La primera variante consiste en un Ensamblado por
Votación de las salidas de las Redes Neuronales Artificiales
(Voting Ensemble ANN), en la cual cada red individual
d i ( x), i = 1..6, genera un voto a favor (+1) o en contra (-1)
con respecto a la presencia o ausencia de P300 en la señal de
EEG. La decisión final del ensamblado d (x ) se obtiene
6
sumando las decisiones individuales z ( x) = ∑ di ( x) y si estas
i =1
son mayores o iguales a 0, entonces para la señal de entrada
x la técnica la clasificará con presencia de P300 (clase 1), y la
Figura 2: Ensamblado Multi-Canal de Redes Neuronales Artificiales.
La segunda variante consiste en un Ensamblado Ponderado
de Redes Neuronales Artificiales (Weighted Ensemble A//),
en la cual cada red individual d i ( x ), i = 1..6, genera un voto
a favor (+1) o en contra (-1) con respecto a la presencia o
ausencia de P300 en la señal de EEG. La decisión final del
ensamblado d (x ) se obtiene mediante una suma ponderada
6
las decisiones individuales
z ( x) = ∑ α i d i ( x) y si estas son
i =1
mayores o iguales a 0, entonces para señal de entrada x la
técnica la clasificará con presencia de P300, o la clasificará
con ausencia de P300 en caso contrario. El parámetro
ponderador α i se calcula para cada clasificador individual
acorde a su desempeño, donde magnitudes positivas mayores
indican que la máquina individual correspondiente presenta un
buen desempeño en la clasificación. Si consideramos a
ε i como la proporción de datos de entrenamiento mal
clasificados, entonces el ponderador está dado por la siguiente
ecuación que fue propuesta por Freund y Schapire [6]:
1 1 − εi 

α i = ln
2  ε i 
(4)
La salida del ensamblado está dada por la ecuación (3).
III. RESULTADOS
Para medir el rendimiento de las redes, se evaluaron cinco
indicadores: Accuracy, Precision, Sensitivity, Specificity y Fmeasure. Los indicadores fueron evaluados en cuatro
configuraciones diferentes:
i - Para medir el desempeño de las redes neuronales
artificiales uni-canal, donde los indicadores fueron evaluados
como el promedio del desempeño de cada técnica individual.
XIII JORNADAS INTERNACIONALES DE INGENIERIA CLINICA Y TECNOLOGIA MEDICA, PARANÁ, ENTRE RÍOS, ARGENTINA
ii - Para medir el desempeño individual de las redes
neuronales artificiales uni-canal, considerando el canal cuya
red tuvo el mejor desempeño de las seis redes uni-canales. El
criterio utilizado fue elegir aquel que presentó los mejores
valores en sus indicadores al promediar cada canal por
separado.
iii - Para medir el desempeño de la técnica de Ensamblado
por votación Multi-Canal, donde la clasificación se obtiene
según agregación promediada de los seis canales utilizados.
iv - Para medir el desempeño de la técnica de Ensamblado
Ponderado Multi-Canal, donde la clasificación se obtiene
según la agregación ponderada los seis canales utilizados.
Los indicadores fueron evaluados como el promedio de 10
corridas de experimentos para cada caso. Se utilizaron datos
de 3 sujetos obtenidos de las competiciones del BCI2000 [15].
Los sujetos fueron estimulados con el P300-Speller del
BCI2000 y se adquirieron por un período de 1 segundo señales
de EEG que correspondía a la iluminación de una fila o
columna de caracteres. Puesto que se sabía cuál palabra es la
que se deseaba escribir, cada vez que aparecía un carácter
deseado, se asumía que la señal debería portar un P300. Luego
se procedió a hacer una promediación coherente de los
ensayos (3, 5, 10 y 15) separando las señales que tienen con
las que no tienen P300. Debido a que las señales sin P300 son
más abundantes, se equipararon la cantidad de muestras de
cada clase.
Los datos correspondientes a cada sujeto fueron analizados por
separados debido a la especificidad de la onda P300 en cada
persona, y consecuentemente a la variación de desempeño de
clasificadores según los individuos. De hecho, se obtuvieron
indicadores más bajos para el sujeto B para todos los métodos,
como lo muestran en particular la tabla II en comparación con
la I y la III. Es probable que esto ocurra porque el sujeto
presenta una dificultad de concentración al momento de
presentar el estímulo, es decir, no acierta con el deletreo
dirigido, generándose P300 en caracteres no deseados o al
contrario no generándose los P300 correspondientes cuando se
presenta el estímulo. Esto produce que el conjunto de datos de
entrenamiento no esté correctamente etiquetado, lo que afecta
directamente al modelo resultante.
El primer objetivo era confirmar la técnica que mejor se
comportaba según la cantidad de ensayos necesario para
obtener una buena detección de la onda P300. En los tres
sujetos, la variación de la F-measure según la cantidad de
ensayos, y para las cuatro configuraciones i-iv probadas
confirmó que a mayor cantidad de repeticiones, mejor
desempeño, como lo ilustran las figuras 3, 4 y 5. Cabe
mencionar que las tres figuras, o sea de los resultados en los
tres individuos, subrayan que la peor clasificación de las
cuatro propuestas resulta de la promediación de los resultados
de los seis canales obtenidos por separado. En los sujetos A y
C, figuras 3 y 5, las clasificaciones obtenidas utilizando
únicamente el mejor canal parecen tan interesantes como las
obtenidas a partir de ensamblado de los multicanales. Sin
embargo, la elección del mejor canal no es la misma de un
individuo al otro, y puede resultar delicado el anticipar esta
decisión. En la figura 4 del sujeto B, se puede apreciar un
4
desempeño considerablemente mejor de las técnicas de
ensamblado con respecto a los modelos individuales, lo que
confirmaría empíricamente que al combinar las técnicas los
errores son compensados entre los modelos individuales. Esta
última aseveración podría motivar el uso de ensamblado
cuando los individuos presentan problemas de concentración.
Figura 3: Indicador F-measure en función de la cantidad de ensayos para el
sujeto A.
TABLA I
RESULTADOS FINALES INDICADORES PARA 15 ENSAYOS (SUJETO A).
Accuracy
Best
Channel
Voting
Ensemble
Weighted
Ensemble
Channel
Average
Specificity
Sensitivity
Precision
F-measure
76,25%
73,33%
79,26%
74,38%
0,77
75,59%
67,51%
83,88%
71,60%
0,77
77,50%
74,45%
80,57%
75,63%
0,78
70,25%
68,59%
71,90%
69,03%
0,70
Para efecto de comparación cuantitativa entre los métodos se
consideraron 15 ensayos. Al observar la Tabla I de indicadores
podemos subrayar que el ensamblado por votación tiene una
alta capacidad de detectar la presencia de P300 en una señal;
sin embargo también tiene el más bajo índice de especificidad
lo que indica que puede confundir peaks de ruido como
presencia de P300. En el caso de ensamblado por votación
tiene valores cercanos en los indicadores antes mencionados,
por lo que su confiabilidad en la detección de P300 es mayor.
La diferencia entre ambos indicadores se ve en la medida F,
ya que esta es mayor en el caso del ensamblado ponderado. Un
fenómeno similar se observa en los resultados del sujeto C,
dados en la tabla III. Tanto en las figuras 3,4 y 5 como en las
tablas I, II y III, muestran que las técnicas de ensamblado, y en
especial el ponderado, obtuvieron, en general, mejor
desempeño que los modelos individuales, lo que indicaría que
es conveniente utilizar la mayor cantidad de información
posible más allá del canal más informativo.
XIII JORNADAS INTERNACIONALES DE INGENIERIA CLINICA Y TECNOLOGIA MEDICA, PARANÁ, ENTRE RÍOS, ARGENTINA
Figura 4: Indicador F-measure en función de la cantidad de ensayos para el
sujeto B
TABLA II
RESULTADOS FINALES INDICADORES PARA 15 ENSAYOS (SUJETO B).
Best
Channel
Voting
Ensemble
Weighted
Ensemble
Channel
Average
Accuracy
Specificity
Sensitivity
Precision
F-measure
62,42%
63,57%
61,29%
64,75%
0,63
61,18%
54,61%
67,38%
61,51%
0,64
65,15%
66,08%
64,34%
67,19%
0,66
58,31%
59,15%
57,56%
60,29%
0,59
AGRADECIMIENTOS:
Los autores agradecen la ayuda técnica y los comentarios
recibidos del prof. Héctor Allende-Cid.
REFERENCIAS
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
Figura 5: Indicador F-measure en función de la cantidad de ensayos para el
sujeto C.
.
TABLA III
RESULTADOS FINALES INDICADORES PARA 15 ENSAYOS (SUJETO C).
Best
Channel
Voting
Ensemble
Weighted
Ensemble
Channel
Average
Accuracy
Specificity
Sensitivity
Precision
F-measure
88,75%
86,45%
92,81%
86,66%
0,89
86,88%
82,64%
93,92%
83,11%
0,87
90,63%
89,33%
93,92%
89,07%
0,91
83,23%
81,30%
87,26%
82,05%
0,83
[9]
[10]
[11]
[12]
IV. CONCLUSIONES
Se diseñaron y se implementaron varios métodos de
ensamblado multicanal de redes neuronales para la detección
del potencial evocado relacionado a eventos infrecuentes
P300. Las dos técnicas de ensamblado analizadas en este
artículo, por votación y por promediación ponderada, dieron
resultados sensiblemente similares, mejores en general que la
clasificación utilizando únicamente un “mejor canal”, y aún
mejor que la clasificación obtenida de la promediación global
de todos los canales.
Cabe subrayar que los resultados dependen del grado de
concentración del individuo aumenta o disminuye el valor de
los indicadores. Esta variable disminuye el rendimiento de los
ensamblados cuando existe poca concentración, pero estos
siguen siendo efectivos en la detección de P300.
La técnica de ensamblado por redes neuronales entrega una
nueva alternativa eficiente y eficaz en la detección de
potenciales evocados P300 con aplicaciones en sistemas de
interfaz cerebro-computadora. Sin embargo, aún falta mayor
cantidad de análisis, en particular sobre varios sujetos para
poder confirmar las tendencias que se dibujaron en este
trabajo.
5
[13]
[14]
[15]
Y. Atum, I. Gareis, G. Gentiletti, R. Acevedo and H. Rufiner. “Genetic
Feature Selection to Optimally Detect P300 in Brain Computer
Interfaces”. 32nd Annual International IEEE EMBS Conference, 2010
H. Allende, C. Moraga, R. Ñanculef and R. Salas. “Ensembles Methods
for Machine Learning”. Pattern Recognition and Machine Vision – In
honor and memory of prof. King-Sun Fu”. P. Shen-Pei Wang (Ed.), pp.
247-261. The River Publishers Series in Information Science and
Technology. 2010
R. Aston. “Principle of Biomedical Instrumentation and
Measurement”. Merril Publishing Company, pp 223 – 260, 1990.
C. Bishop, “/eural /etworks for Pattern Recognition”. Oxford
University Press. 1996.
J. Bogacz, “Los potenciales evocados en el hombre”. Editorial el
ateneo, Argentina, 1985.
Y. Freund and Robert E. Schapire. “A decision-theoretic generalization
of on-line learning and an application to boosting”. In EuroCOLT ’95:
Proceedings of the Second European Conference on Computational
Learning Theory, pages 23–37, 1995.
D. Goodin “Clinical utility of long latency "cognitive" event related
potentials”. Journal of clinical Neurophysiology, vol. 76, pp. 2-5, 1990.
W. Pritchard, “Psychophysiology of p300”. Psychological Bulletin.
Vol. 100, pp 43 – 66, 1981.
E. Donchin, D. Karis, T. Bashote, M. Coles, y G. Gratton, “Cognitive
psychophisiology and human information processing”. En M. G. H.
Coles, E. Donchin, y S. Porges (Eds.), Psychophysiology: Systems,
processes, and applications. pp. 244-267, 1986, New York.
L. Farwell y E. Donchin, “Talking off the top of your head: toward a
mental prosthesis utilizing event-related brain potentials”.
Electroencephalography and clinical Neurophysiology, Vol. 70, pp.
510-523, 1988.
D. Krusienski, E, Sellers, F, Cabestaing, S, Bayoudh, D. McFarland, T,
Vaughan y J. Wolpaw, “A comparison of classification techniques for
the P300 Speller”. Journal of /eural Engineering. vol. 4,pp. 299–305,
2006.
C. Navarrete, H. Allende-Cid, R. Salas. “Técnica /euro-difusa para la
detección del P300 basado en un vector de características de señales
EEG”. 2da Jornadas Chilenas de Ing. Biomédica (JCIB2009), 2009.
P. Perona y J. Malik, “Scale-Space and Edge Detection Using
Anisotropic Diffusion”, IEEE Transactions on pattern analysis and
machine intelligence, vol.13 n° 7, pp- 629-639, 1990.
D. Regan “Human Brain Electrophysiology: evoked potentials and
evoked magnetic fields in science and medicine”. Elsevier Nueva York.
Vol. 26, pp. 563-652, 1989.
Schalk, G., McFarland, D.J., Hinterberger, T., Birbaumer, N., Wolpaw,
J.R.BCI2000: A General-Purpose Brain-Computer Interface (BCI)
System”. IEEE Transactions on Biomedical Engineering, 51(6):10341043, 2004.