ACCIONAMIENTO DE UN ROBOT MÓVIL POR MEDIO DE UNA INTERFAZ CEREBRO-COMPUTADORA

Universidad Politécnica de Aguascalientes
Email: martin.montes@upa.edu.mx

 

Resumen

Este trabajo de investigación aborda la implementación de un sistema de control basado en una interfaz cerebro-computadora (brain-computer interface, BCI) mediante la utilización del dispositivo de lectura de ondas cerebrales Emotiv EPOC el cual consta de dieciséis sensores localizados en regiones clave de la corteza cerebral incluyendo puntos propios de cada uno de los lóbulos del cerebro, con el cual se realiza el electroencefalograma (EEG), el cual funciona para la adquisición de los potenciales eléctricos específicos del mismo para así asociarlos a un pensamiento específico, señales que posteriormente se envían y procesan en la plataforma de desarrollo LabVIEW, donde se realizó una identificación de las mismas para luego implementarlas en el accionamiento de un robot móvil. Una de las etapas más importantes en la aplicación de una BCI es la que corresponde a la extracción de características propias de las señales del EEG, las cuales se realizaron en el software LabVIEW de NI mediante la implementación de la herramienta matemática que proporciona la transformada Wavelet. 

Palabras Clave: Interfaz cerebro computadora (brain-computer interface, BCI) - potencial eléctrico relacionado a pensamientos - características de las señales de un electroencefalograma - transformada Wavelet.

Abstract

This research addresses the implementation of a control system based on a brain-computer interface (brain-computer interface, BCI) using the device for reading brainwaves Emotiv EPOC which consists of sixteen sensors located in key regions including the cerebral cortex specific to each of the lobes of the brain points, with which the electroencephalogram (EEG), which functions to acquire specific electrical potential thereof to thereby associate a specific thinking is performed, subsequently signals They are sent and processed in the LabVIEW development platform, where an identification of the same was done to then implement them in the operation of a mobile robot. One of the most important steps in implementing a BCI is that which corresponds to the extraction of own EEG signals characteristics, which were made in the NI LabVIEW software by implementing the mathematical tool that provides the transformed Wavelet

Keywords: Brain computer interface (BCI) - related to thoughts electric potential signal - characteristics of an EEG - wavelet transform.

1 INTRODUCCIÓN

Gracias a los avances que se poseen en el desarrollo de elementos sensores, hoy en día se pueden adquirir señales de diversos tipos llegando a adquirir valores de intensidad muy pequeños o simplemente haciendo su adquisición menos compleja. Un caso particular de esto son las señales eléctricas propias del cerebro humano, las cuales se encuentran en el orden de los microvolts, lo cual trae dificultades para su lectura de forma clara en ciertos casos.

Como consecuencia, es esta una de las principales razones por las cuales el estudio del cerebro humano, desde un enfoque de la actividad eléctrica del mismo, se enfoca a zonas de actividad y queda destinado principalmente a tomar decisiones con base en las reacciones que tiene ante diferentes estímulos o situaciones y así determinar si está dentro de parámetros normales o si existe algo que no se encuentre respondiendo de forma adecuada; y añadido a esto el buscar señales particulares para extraerlas y realizar una acción de control al mismo tiempo con ellas implica un reto distinto.

Por tales razones, conforme la tecnología avanza, el desarrollo de interfaces cerebro-computadora ha llamado la atención en la comunidad científica para permitir el accionamiento autónomo de vehículos ya sea para personas que en sus condiciones físicas no les  permite, o para personas que requieren realizar actividades distintas al manejo mientras se transportan.

A grandes rasgos, una interfaz cerebro computadora (brain-computer interface, BCI) es un dispositivo que ayuda a personas, que comúnmente tienen deficiencias motoras severas, al permitir la realización de una comunicación externa a partir de la actividad eléctrica del cerebro sin la asistencia de los nervios periféricos o de la actividad muscular (García-Cossio, E., & Gentiletti, G. G., 2014),  convirtiéndose así en una nueva modalidad de interacción hombre-máquina que permite a los usuarios utilizar sus pensamientos para controlar diversos dispositivos externos (Kubler, A. and Müller, K.R., 2007).

A pesar del interés existente en la posibilidad de controlar los dispositivos que utilizan directamente las señales del cerebro, ha sido sólo durante los últimos 20 años donde este campo de investigación se ha desarrollado mediante experimentos y publicaciones de interés al respecto a pesar de que las bases de esta exploración se asentaron a principios del siglo XX.

2 PROBLEMÁTICA

Una BCI es un sistema mediante el cual, como ya se mencionó anteriormente, un usuario pueda dar indicaciones a diversos dispositivos auxiliado por hardware que tome lecturas de su actividad cerebral únicamente, para lo cual ya no sería necesario que accionara o proporcionara movimiento a ninguna parte de su cuerpo.

Sin embargo un dispositivo de uso médico que ayude a tomar lecturas directamente del cerebro del usuario, es decir un registro del electroencefalograma (EEG) tiene dos grandes inconvenientes, por un lado la robustez o tamaño de estos los hacen complicados de implementar en entornos externos al laboratorio de pruebas y por el otro, su alto costo complica el desarrollo de aplicaciones apoyadas en ellos.

Lo planteado en el párrafo anterior representa una limitante muy importante, ya que las aplicaciones finales pueden ser muy diversas, pero al estar asentado su diseño e implementación en un dispositivo de obtención de EEG constantemente podría llegar a resultar improcedente luego de realizar un análisis de costo contra beneficio.

Por otro lado, las recientes investigaciones al respecto han derivado en el desarrollo de diferentes dispositivos de obtención de electroencefalogramas, que tienen otro mercado objetivo, el cual no es precisamente el uso médico de los mismos sino cubrir necesidades en campos de educación, implementación a dispositivos de uso comercial como videojuegos, entre otros.

Una de las más grandes ventajas que estos dispositivos presentan, y la que probablemente con mayor rapidez salte a la vista, es el costo de los mismos lo que presenta una oportunidad de desarrollo interesante.

No obstante, si se toma como ejemplo uno de estos dispositivos, la diadema Emotiv EPOC, es posible encontrar dificultades propias del mismo como plantea Taylor, G. S., & Schmidt, C., (2012), donde se desarrolla un análisis detallado del rendimiento del equipo, concluyendo que este tipo de hardware dadas las características de construcción tiene un rango limitado de aplicaciones.

Entonces es en este punto donde se debe de considerar, que para no descartar el uso del equipo por este tipo de desventajas físicas o de hardware, se debe de desarrollar un software que facilite la implementación del mismo y pueda constituir una base sólida de una interfaz cerebro-computadora, para la aplicación en específico que se desee desarrollar, siendo el accionamiento de un robot móvil una de las cuales ayudaría a personas con dificultades motrices a controlar su propio medio o auxiliar de transporte.

3 OBJETIVOS

3.1 Objetivo general

Diseñar e implementar un sistema mediante el cual, un usuario pueda controlar las acciones de un robot móvil, por medio del uso de un dispositivo de obtención de señales cerebrales Emotiv EPOC.

3.2 Objetivos particulares

• Realizar un estudio detallado de las características de funcionamiento del equipo de adquisición de señales cerebrales que proporciona el equipo de Emotiv, así como un análisis de las características funcionales del cerebro que éste alcanza a registrar y cómo es que todas estas características pueden ser utilizadas.
• Desarrollar un programa en LabVIEW de NI el cual obtenga señales provenientes del equipo Emotiv, de modo que se les dé el procesamiento adecuado mediante el uso de la herramienta matemática de la transformada Wavelet y así, poder implementarlas en el control del robot móvil.
• Implementar las señales de control obtenidas a partir del programa desarrollado en un prototipo de robot móvil, el cual consistirá en un vehículo conformado por cuatro ruedas controladas cada una por  motores de corriente directa independientes, de esta manera dar diferentes instrucciones de direccionamiento al mismo, conjuntamente de que el accionamiento de dicho prototipo pueda ser tomado como referencia en trabajos futuros donde se implementen vehículos de mayores dimensiones, una vez que la metodología de adquisición de señales provenientes del cerebro e implementación a control se haya probado.

4 JUSTIFICACIÓN

Las ventajas que una BCI le brinda al usuario final son muy diversas, en aplicaciones como en las que tradicionalmente se piensa como lo son personas con complicaciones motrices, también pasando por el uno para alguien que requiere del control de un robot móvil en ambientes hostiles o peligrosos para ser tripulado pero no dejando de lado el gran campo de oportunidad en usos cotidiano y en la industria.

Por lo tanto, si se comparan las ventajas que el uso de estos sistemas proporcionan con los inconvenientes y desventajas que presenta el tener que diseñarlos establecidos en un dispositivo de obtención de EEG de uso médico, se vuelve lógico ver la necesidad de generar alguna alternativa a estos últimos en función de aprovechar los beneficios que una BCI tiene en los distintos campos de aplicación.
Para tales propósitos, se cuenta con la oportunidad de realizar el diseño e implementación de sistemas, en los cuales se utilicen dispositivos de lectura de ondas cerebrales que no presenten los inconvenientes antes descritos, una de las alternativas es el dispositivo Emotiv EPOC.

El dispositivo de lectura Emotiv EPOC tiene la capacidad de identificar los potenciales eléctricos específicos del cerebro así como su localización, los cuales son resultado de un pensamiento determinado, los que posteriormente se pueden llevar a una plataforma como LabVIEW de NI, donde es posible realizar la identificación de las características más importantes de las señales adquiridas y  clasificación de las mismas para implementarlos en el accionamiento de un robot móvil que satisfaga las necesidades básicas de movimiento.

5 MARCO TEÓRICO

Desde los albores de la humanidad, el hombre se ha preguntado acerca del centro corporal que organizaba las actividades mentales, a fin de intentar comprender fenómenos tan llamativos para las primeras civilizaciones como la epilepsia. Una vez que se identificó el cerebro como órgano necesario para el dominio y control de nuestra conducta, dos corrientes imperaron en gran parte del siglo XIX, equipotencialidad y localizacionismo (Maestú, F., et al., 2003).

Quienes seguían la primer tendencia opinaban que todo el tejido neural estaba implicado en todas las funciones cognitivas, otros intentaron localizar la función cognitiva en compartimentos estancos, lo que alcanzó su auge con la llegada de la frenología (Maestú, F., et al., 2003), desarrollada por Franz Joseph Gall y Johann Spurzheim en Viena a principios de la mencionado siglo. Los seguidores de este método declaraban que las “facultades” mentales residían en diferentes regiones del cerebro, regiones que serían mayores cuanto más acentuados fueran los rasgos correspondientes (Allen, J., Bruss, J., & Damasio, H., 2005).

Posteriormente, se ha demostrado que, si bien existen áreas cerebrales muy específicas en su función, otras participan en diferentes funciones cognitivas, sustentando el concepto de un modelo distribuido o de “redes neurales” (Maestú, F., et al., 2003).

La neuroanatomía ha experimentado una transformación revolucionaria en los últimos 30 años. Ese salto ha sido posible gracias a la introducción de nuevas técnicas de formación de imágenes: tomografía computarizada de rayos X (TC, también llamada tomografía axial computarizada TAC), resonancia magnética (RM) y tomografía de emisión de positrones (TEP). Con estas herramientas, es posible observar la estructura y la actividad del cerebro con un detalle sin precedentes (Allen, J., Bruss, J., & Damasio, H., 2005).

Gracias a estos avances y a los resultados que los estudios realizados mediante ellos han arrojado, es que hoy en día se puede describir al cerebro como un complejo bosque de células y conexiones entre ellas. Este sistema está compuesto por unas 100,000 millones de neuronas, de formas y tamaños distintos (Mora, F., 2014). Un ejemplo de una de las formas se muestra en la figura 1.

Las neuronas están compuestas por un cuerpo celular compacto, dendritas y axones, como se observa en la figura 1. Se encargan de tratar la información y transportar las señales químicas y eléctricas en todas direcciones. La mayoría de los axones sólo se conectan con dendritas porque normalmente, estas no se conectan entre sí. El axón tiene dos funciones esenciales: conducir la información en forma de estimulación eléctrica y transportar substancias químicas.

Ninguna neurona es un punto final o terminación para la información, sólo sirve para transmitirla. Una sola neurona puede recibir señales de miles de otras células, a veces tan lejanas como a la distancia de un metro, y su axón puede conectarse repetidamente, enviando señales a muchas más. Pero en general, las neuronas se conectan en su mayoría con otras neuronas cercanas. Un mayor número de conexiones hacen las comunicaciones más eficientes (Jensen, E., 2004).

Lo que sucede entonces cuando una neurona recibe información de otra neurona a través de sus ramificaciones es crear un mensaje que es transcrito a su vez a otras neuronas de la cadena o circuito. La información que corre a través de estas cadenas de ramificaciones o circuitos es eléctrica, aunque al llegar al punto interno de los puntos de contacto se transforma en química (Mora, F., 2014).

Aprovechando entonces la ventaja de la gran cantidad de neuronas presentes en la corteza cerebral y la intensa actividad eléctrica que esto supone debido a todas las conexiones que entre estas se forman es que el registro de la actividad eléctrica del cerebro frecuentemente se toma de esta zona.

El flujo y el procesamiento de la información ocurren en el cerebro de forma eléctrica y química, por lo que es preciso observar como varían estos procesos a lo largo del tiempo para entender su función (Grave-de Peralta et al., 2004).

Un electroencefalograma (EEG) es el registro de la actividad eléctrica de las neuronas del encéfalo. Dicho registro posee formas muy complejas que varían mucho con la localización de los electrodos y entre individuos. Esto es debido al gran número de interconexiones que presentan las neuronas y por la estructura no uniforme del encéfalo.

Las señales de un EEG tienen diferentes ritmos dentro de la banda de frecuencia con las siguientes características (Villar, S. C., Oviedo, W. A. P., & González, A. R., 2013):

• Ritmo Beta: Voltaje bajo (10-15 μv / 1-1.5 mm) con morfología variable. Frecuencia alta (13-25 ó + Hz).
• Ritmo Alfa o Mu: Voltaje bajo (20-60 μv / 3-4mm) con morfología variable. Frecuencia alta (8-13 Hz).
• Ritmo Tetha: Voltaje alto (50 μv / 7mm). Frecuencia (4-8 Hz).
• Ritmo Delta: Voltaje alto (70 –100 μv / 9 -14 mm) con morfología variable. Frecuencia baja (4 ó – Hz).

La aplicación de bioseñales para el control de sistemas, robots, aplicaciones, juegos y otros dispositivos, presenta un enfoque novedoso al abrir las puertas para la interacción entre humanos y computadoras en una nueva dimensión, donde se explotan específicamente biopotenciales eléctricos registrados en el usuario, a través de diferentes técnicas como lo son el electromiograma y el electroencefalograma principalmente, que son bioseñales eléctricas generadas por los patrones de actividad de los músculos y el celebro del usuario respectivamente (Ierache, J., Pereira, G., Satollo, I., & Iribarren, J. 2013).

Entonces, son estas bioseñales las que conforman el elemento fundamental de una interfaz cerebro-computadora (BCI). Se puede entender un BCI como un sistema de comunicación en el que los mensajes o acciones que una persona desea enviar al mundo exterior no son transmitidos por una vía que podría entenderse como normal, es decir mediante la salida de las señal eléctrica del cerebro del usuario, llegando hasta los nervios y músculos periféricos.

Un ejemplo claro de lo anterior es un BCI implementado en base a un EEG, en donde los mensajes que el usuario quiere dar se llegan a conocer como producto del procesamiento de las señales que se toman de su cerebro, sin que este tenga que accionar algún miembro particular de su cuerpo posterior a la caracterización de estas señales, sino simplemente replicar el pensamiento del mensaje que quiere ejecutar  (Wolpaw, J. R., et al., 2002).

Uno de los principales objetivos que ha impulsado el desarrollo de sistemas donde el usuario pueda ejecutar acciones sin la necesidad de realizar un movimiento de alguno de los músculos de sus extremidades es el poder ayudar a sujetos que tengan algún trastorno o problema precisamente con el accionar de los mismos.

En las dos últimas décadas muchas aplicaciones se han desarrollado haciendo uso de la voz y la visión del usuario, además de una combinación de ambas (Khare, V., Santhosh, J., Anand, S., & Bhatia, M. 2011), pero es un poco más recientemente cuando la exploración sobre el uso de bioseñales cerebrales provenientes de un EEG pueden ser utilizadas para el diseño de un BCI.

Como en cualquier sistema de comunicación, un BCI consta de entradas, que son las señales electrofisiológicas que resultan de la monitorización de la actividad cerebral, y de salidas, que vendrán a ser las acciones que realice el dispositivo que fue designado como elemento final del sistema.

Esta etapa final del sistema puede desempeñar muy diversos tipos de tareas, desde el accionamiento de elementos mecánicos, envío de datos para telecomunicación entre otros, elementos que transforman entradas en salidas y un protocolo que determina su funcionamiento (Khare, V., Santhosh, J., Anand, S., & Bhatia, M. 2011).

Gracias a los avances tecnológicos, nuevos dispositivos asequibles han aparecido en el mercado haciendo atractivo el uso de señales bioeléctricas como el caso de las adquiridas con un EEG con el propósito de desarrollar nuevas formas de BCI, como por ejemplo los desarrollados por NeuroSky (ThinkGear AM, MindWare, Mindwave), por Emotiv (EPOC Neuroheadset y EEG Neuroheadset) y por BCINet (por ejemplo, los dispositivos de juego NIA) entre otros (Ferreira, A. L. S. et al., 2014).

La etapa posterior a la adquisición de las señales en una BCI, una vez que estas ya pasaron por el tratamiento adecuado dependiendo del dispositivo que se usara para tomarlas es la extracción de características de las mismas. Una de las múltiples técnicas para este propósito y de las más utilizadas es la aplicación de la transformada Wavelet.

Las Wavelets son funciones oscilantes de espacio o tiempo. Se puede definir como un impulso de pequeña duración con energía finita que integra a cero y permite un análisis simultaneo de tiempo y frecuencia. Usando ondas, los datos se pueden descomponer en diferentes componentes de frecuencia y a continuación, cada frecuencia componente puede ser estudiada con una resolución adaptada a su escala. La transformada Wavelet genera estas Wavelets, que son generadas a partir de la traslación y cambio de escala de una misma función original.
La función de base, en el caso de análisis Wavelet, se llama la función Wavelet madre Ψ (Mohammed, O. A., et al., 2012).
La Transformada Wavelet Discreta (DWT) es una transformación que se puede utilizar para analizar las propiedades espectrales y temporales de señales no estacionarias. La DWT está definida por la ecuación 1 (Ramírez-Cortes, et al., 2010).

Una forma eficiente de implementar la DTW es mediante el uso de filtros, los cuales por ejemplo pueden ser aplicados mediante un algoritmo que pasa la señal original por un filtro pasa altas y otro pasa bajas. La función Wavelet madre determina los coeficientes de los filtros pasa bajas y pasa altas de la DWT. Después de aplicar este algoritmo, se termina con el doble de los datos a con los que originalmente se comenzó. Por ejemplo, si la señal original contiene 1024 muestras de datos, después de la filtración resultarán dos conjuntos, teniendo cada uno 1024 muestras. De esta forma, se puede hacer un análisis más detallado de cada una de las partes que conforman la señal con la finalidad de extraer de ella las características que se están buscando (Mohammed, O. A., et al., 2012).

Una vez que se han obtenido características distintivas de cada una de las señales mediante la transformada Wavelet, se procede a almacenar estos datos en un vector que posteriormente se pasa a una etapa de clasificación, para que en esta se realice una comparativa y se llegue al punto de determinar a qué instrucción está más asociada esta señal con las previamente establecidas. Lógicamente es válido pensar que si no se han tomado las características de forma adecuada la etapa de clasificación arrojará datos igualmente inadecuados, razón por la cual es necesario elegir correctamente el método a implementar, donde en muchos casos el de la DWT ha demostrado dar buenos resultados.  

6 METODOLOGÍA

La solución propuesta a la problemática inicialmente planteada se estructura de la siguiente manera:

• Se realizará el diseño de una interfaz cerebro-computadora (BCI), mediante el empleo del dispositivo Emotiv EPOC para adquirir las señales provenientes del usuario del sistema. Las ventajas del empleo de este dispositivo es que comparado con su equivalente de uso médico es de mucho menor costo y tamaño, lo que sin duda contribuye en varios aspectos para la procedencia del trabajo.
• Seleccionar muy cuidadosamente los patrones de señal que serán tomados para la aplicación, sin querer incluir aquellos de similitudes muy marcadas, ya que como se identificó en trabajos previos, el dispositivo EPOC no tiene la fiabilidad de su homólogo de uso médico por ser más un dispositivo portátil y de uso comercial, por lo tanto habrá que adecuar perfectamente la aplicación a estas limitantes, para que no representen un problema al momento de la ejecución.
• Se programará la aplicación sobre la plataforma de LabView, con la finalidad de independizar el sistema del mismo software con el que el dispositivo cuenta de fábrica, esto por dos razones, primeramente este cuenta con opciones más limitadas para trabajar con las señales adquiridas, siendo en gran medida solo un visualizador de las mismas, característica que LabView mejora enormemente, y en segundo lugar, porque LabView cuenta con suficientes opciones de acoplamiento con hardware propio de la misma compañía lo cual el software de EMOTIV no tiene, entonces si se tiene como objetivo final el control de los movimientos de un robot, es sin duda una de las razones de más peso para cambiar de plataforma.
• Se implementará dentro de la aplicación realizada en LabView la herramienta de la transformada Wavelet discreta (DWT), la cual tendrá la utilidad de identificar características particulares en las señales tomadas del EEG, y así poder asociarlas con laguna instrucción en particular.
• Finalmente, se construirá un robot móvil a pequeña escala, el cual consistirá en un vehículo conformado por cuatro ruedas controladas cada una por motores de corriente directa independientes, para comprobar el correcto funcionamiento de la aplicación desarrollada, lo que dará pie a futuras investigaciones ya con el diseño de un vehículo de mucho mayor tamaño capaz de transportar a una persona tomando en cuenta todas las implicaciones que esto sugiere. La operación del prototipo se verificará mediante la conexión del mismo hacia la computadora con la aplicación programada, dicha conexión se llevará a cabo con el uso de una tarjeta de adquisición de datos de National Instruments. 

7 CONCLUSIONES

Con el desarrollo del presente trabajo de investigación, se puede concluir primeramente, que el dispositivo de lectura de ondas cerebrales EPOC presenta más ventajas que desventajas, pero se debe ser analítico en su implementación ya que la desventaja más grande con la que cuenta es necesario tenerla siempre presente, y es que el grado de precisión con el que este cuenta es bueno, siempre y cuando la aplicación final no requiera de la extracción de patrones o características que se presentan en rangos de intensidad muy bajos, como lo pueden ser aplicaciones al área médica, como monitoreo, diagnóstico etc.

Otra de las conclusiones importantes, es la necesidad de analizar posteriormente opciones que brinden la posibilidad de desvincular aún más el software del fabricante del dispositivo con su uso, ya que si bien esto se logró en cierta medida, no es del todo independiente del mismo, lo cual representa una barrera de desarrollo por las múltiples limitantes que este tiene, para así determinar si su uso sigue siendo recomendable sobre otras opciones de herramientas similares, o valdría la pena realizar una revisión detallada de un dispositivo de otro fabricante.

REFERENCIAS

Ferreira, A. L. S., Marciano, J. N., de Miranda, L. C. and de Miranda, E. E. C. (2014). Understanding and Proposing a Design Rationale of Digital Games based on Brain-Computer Interface: Results of the AdmiralMind Battleship Study. SBC Journal on Interactive Systems, 5(1), 3-15.

García-Cossio, E. y Gentiletti, G. G. (2014). Interfaz cerebro computadora (ICC) basada en el potencial relacionado con eventos P300: análisis del efecto de la dimensión de la matriz de estimulación sobre su desempeño.

Ierache, J., Pereira, G., Satollo, I. y Iribarren, J. (2013, July). Aplicación de interfases lectoras de bioseñales en el contexto de la domótica. In XV Workshop de Investigadores en Ciencias de la Computación.

Khare, V., Santhosh, J., Anand, S. and Bhatia, M. (2011). Brain Computer Interface Based Real Time Control of Wheelchair Using Electroencephalogram.International Journal of Soft Computing, 1(5), 41-45.

Maestú, F., Quesney, F., Ortiz, T., Fernández, A., Amo, C., Campo, P. and  Amo, C. (2003). Cognición y redes neurales: una nueva perspectiva desde la neuroimagen funcional. Rev Neurol, 37(10), 962-6.

Mohammed, O. A., Khan, A. A., El-Tallawy, A. M., Nejadpak, A. and Roberts, M. J. (2012). A wavelet filtering scheme for noise and vibration reduction in high-frequency signal injection-based sensorless control of PMSM at low speed. Energy Conversion, IEEE Transactions on, 27(2), 250-260.

Mora, F. (2014). Cómo funciona el cerebro. Alianza Editorial.

Müller, K. R., Tangermann, M., Dornhege, G., Krauledat, M., Curio, G. and Blankertz, B. (2008). Machine learning for real-time single-trial EEG-analysis: from brain–computer interfacing to mental state monitoring. Journal of neuroscience methods, 167(1), 82-90.

Ramírez-Cortes, J. M., Alarcon-Aquino, V., Rosas-Cholula, G., Gomez-Gil, P. and Escamilla-Ambrosio, J. (2010). P-300 rhythm detection using ANFIS algorithm and wavelet feature extraction in EEG signals. In Proceedings of the World congress on Engineering and Computer Science (Vol. 1, pp. 963-968). San Francisco: International Association of Engineers.

Taylor, G. S. and Schmidt, C. (2012, September). Empirical Evaluation of the Emotiv EPOC BCI Headset for the Detection of Mental Actions. InProceedings of the Human Factors and Ergonomics Society Annual Meeting (Vol. 56, No. 1, pp. 193-197). SAGE Publications.

Villar, S. C., Oviedo, W. A. P. y González, A. R. (2013). Implementación de métodos de procesamiento de señales EEG para aplicaciones de comunicación y control. ECIPeru: Revista del Encuentro Científico Internacional, 10(1), 24-33.

Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G. and  Vaughan, T. M. (2002). Brain–computer interfaces for communication and control. Clinical neurophysiology, 113(6), 767-791.