El objetivo principal es crear un framework que incluya diferentes librerías de Python, permitiendo el procesamiento y estudio de señales EEG mediante un modelo de Reservoir Computing.
El framework se utilizará tanto para datos sintéticos como para analizar señales EEG de diferentes sujetos en estado de reposo, utilizando un modelo de Reservoir Computing, específicamente Echo State Network (ESN). El propósito es identificar patrones en la dinámica temporal de las señales que permitan distinguir entre EEG de jóvenes adultos y personas mayores.
El framework contiene diversas librerías de Python con clases y funciones diseñadas para abarcar todo el ciclo del estudio, desde el tratamiento de datos hasta la evaluación de resultados.
En la documentación del proyecto (wiki TFG) se comenta tanto las funciones y API de los diferentes módulos del framework (apartado 6 de la documentación) como la teoría que soporta cada módulo. Del mismo modo, en el subdirectorio memoria se tiene, entre otros documentos, un resumen del proyecto a modo artículo (TFG_resumen_jogugil_2023_24.pdf) y otro resumen de una página como poster del proyecto (TFG_poster_jogugil_2023_24.pdf).
synthetic_eeg_v10.ipynb: Notebook donde se implementan datos sinteticos EEG y se utiliza el modelo MyRC para sus procesamiento.
. Reconstrucciíon y predicción de señales temporales de los datos sintetigcos EEG
. Clustering y clasifiación por métodos no supervisados de los datos sinteticos EEG
. Clasificación por mñetodos supervisados de los datos sinteticos EEG
data/: Carpeta con datos de prueba y entrenamiento.No se tienen por temas de privacidad.
scripts/:Notebooks y scripts de python para el procesamiento y tratamiento de las señales EEG en crudo.
- Creación de datasets con la combinación de situaciones que se pueden dar:
* Frecuencia de corto para paso bajo y poroporción de remuetreo o decimación.
* Con eliminación o sin eliminación de artefctos usando ICA.
* Ectracción o no de features.
- Utilizaxión de algoritmos de búsqueda óptima de hiperparámetro:
* Algoritmo genético mediante librería deap.
* Probabilidad bayesiana mediante librería 'optuna':
objective = create_objective (X, Y)
study = optuna.create_study (direction = 'maximize')
study.optimize (objective, n_trials = 100)
* Probabilidad bayesiana mediante librería 'scikit-optimize' y función 'gp_minimize'
* Implementación ejemplo deep MyRC ESN sobre datos sintéticos.
base/: librerias base donde seimplementa el modelo RC ESN y otra funciones auxiliares.
README.md: Descripción del proyecto.EN CREACIÓN
presentation/: Presentación del proyecto.EN CREACIÓN
memoria/: Memoria del proyecto. EN CREACIÓN
Para instalar las dependencias del proyecto, ejecuta:
pip install -r requirements.txt
Además hay que tener en cuena que se debe instarlar torch, dependerá del sistema operativo : https://pytorch.org/get-started/locally/
Puedes utilizar tanto el código que hay en los notebooks como los diferentes scripts existentes. Modifica y crea tus propios notebook con ayuda de los diferentes módulos desarrollados que contienen tanto el API del RC ESN como clases y funciones auxiliares para el tratamiento de este tipo de datos.
graph TD;
A[Adquisición de Datos] --> B[Preprocesamiento]
B --> C[Extracción de Características]
C --> D[Modelado con ESN]
D --> E[Análisis de Resultados]
subgraph A[Adquisición de Datos]
A1[Sujetos]
A2[Condiciones]
A3[Equipamiento]
end
subgraph B[Preprocesamiento]
B1[Filtrado]
B2[Corrección de Artefactos]
B3[Segmentación]
end
subgraph C[Extracción de Características]
C1[Wavelet MODWT]
C2[Amplitud Pico a Pico]
C3[Entropía]
C4[Potencia Espectral Relativa]
C5[Parámetros de Hjorth]
C6[Parámetros Armónicos]
C7[Coeficientes Autoregresivos]
C8[Percentiles]
end
subgraph D[Modelado con ESN]
D1[Reservoir Computing]
D2[Ajuste de Parámetros]
D3[Entrenamiento]
D4[División de Datos]
D5[Validación]
end
subgraph E[Análisis de Resultados]
E1[Evaluación del Modelo]
E2[Identificación de Patrones]
end
- Sujetos: Reclutamiento de dos grupos de sujetos, jóvenes adultos y adultos mayores.
- Condiciones: Grabación de señales EEG en estado de reposo.
- Equipamiento: Utilización de un sistema de adquisición de EEG con múltiples canales (ej. 32 o 64 canales).
- Filtrado: Aplicar un filtro de banda (ej. 0.2-30 Hz) para eliminar artefactos de baja y alta frecuencia.
- Corrección de Artefactos: Utilización de técnicas como Independent Component Analysis (ICA) para eliminar artefactos de movimiento ocular y musculares.
-
Segmentación: Dividir las señales EEG en ventanas de tiempo (ej. epochs de mne de 3 segundos sin solapamiento). (sólo si se realiza extracción de caracterísricas)
-
Se extraerán características tanto en el dominio del tiempo como en el dominio de la frecuencia para cada ventana de tiempo.
-
Transformada Wavelet (MODWT):
- Energía
- Porcentaje de Energía
- Media
- Desviación Estándar
-
Amplitud Pico a Pico:
- Diferencia entre el valor máximo y mínimo de la señal en cada ventana.
-
Entropía:
- Entropía de Shannon, Renyi y Tsallis.
-
Potencia Espectral Relativa (RSP):
- Potencia espectral relativa en diferentes sub-bandas de frecuencia (Delta, Theta, Alpha, Beta, Gamma).
-
Parámetros de Hjorth:
- Actividad
- Movilidad
- Complejidad
-
Parámetros Armónicos:
- Frecuencia Central
- Ancho de Banda
- Valor Espectral en la Frecuencia Central
-
Coeficientes Autoregresivos (AR):
- Estimación de coeficientes AR y sus estadísticas (media y desviación estándar).
-
Percentiles:
- Percentiles 25, 50 y 75.
-
Reservoir Computing:
- Utilización de un modelo ESN que consiste en una red recurrente con una gran cantidad de neuronas y conexiones aleatorias.
- Ajuste de los parámetros del ESN (ej. tamaño del reservoir, densidad de conexiones, factor de escala de las conexiones).
- Entrenamiento del modelo con las características extraídas de las señales EEG.
-
Entrenamiento y Validación:
- División de los datos en conjuntos de entrenamiento y prueba.
- Entrenamiento del ESN con el conjunto de datos de entrenamiento.
- Validación cruzada para evitar sobreajuste.
-
Evaluación del Modelo:
- Medición de la precisión del modelo en la clasificación de las señales EEG entre jóvenes adultos y adultos mayores.
- Utilización de métricas como precisión, sensibilidad, especificidad y área bajo la curva ROC (AUC-ROC).
-
Identificación de Patrones:
- Análisis de los patrones en la dinámica temporal de las señales EEG identificados por el ESN. Se utiliza la matriz de similitud para vomprobar los distintos patrones de cada sujeto.
- Visualización de las características más relevantes que permiten la distinción entre los dos grupos.
El uso de un modelo de Reservoir Computing, como el ESN, puede ser efectivo para identificar patrones en la dinámica temporal de las señales EEG que distinguen entre jóvenes adultos y adultos mayores. Este enfoque combina técnicas avanzadas de procesamiento de señales y aprendizaje automático para proporcionar una herramienta poderosa en el análisis de EEG.
- Literatura sobre técnicas de procesamiento de señales EEG.
- Estudios previos que utilizan modelos de Reservoir Computing en análisis de señales temporales.
- Documentación y ejemplos de implementación de Echo State Networks (ESN).
Después de implementar y probar el modelo con datos sintéticos, se probó con un banco de datos reales de diferentes sujetos. Por motivos de privacidad, estos datos reales no se han subido, pero se incluyen los notebooks y scripts utilizados para el procesamiento de dichos datos. Como no se añaden los datos raw orifinales, podriamos generar datos sintéticos con los canales que contienen los datos reales como son:
all_channels = ['Fp1', 'AF7', 'AF3', 'F1', 'F3', 'F5',
'F7', 'FT7', 'FC5', 'FC3', 'FC1', 'C1',
'C3', 'C5', 'T7', 'TP7', 'CP5', 'CP3',
'CP1', 'P1', 'P3', 'P5', 'P7', 'P9',
'PO7', 'PO3', 'O1', 'Iz', 'Oz', 'POz',
'Pz', 'CPz', 'Fpz', 'Fp2', 'AF8', 'AF4',
'AFz', 'Fz', 'F2', 'F4', 'F6', 'F8',
'FT8', 'FC6', 'FC4', 'FC2', 'FCz', 'Cz',
'C2', 'C4', 'C6', 'T8', 'TP8', 'CP6', 'CP4',
'CP2', 'P2', 'P4', 'P6', 'P8', 'P10', 'PO8',
'PO4', 'O2', 'UP', 'DOWN', 'LEFT', 'RIGHT',
'EXG5', 'EXG6', 'EXG7', 'EXG8', 'Status']
eeg_channels = ['Fp1', 'AF7', 'AF3', 'F1', 'F3', 'F5', 'F7', 'FT7',
'FC5', 'FC3', 'FC1', 'C1', 'C3', 'C5', 'T7', 'TP7',
'CP5', 'CP3', 'CP1', 'P1', 'P3', 'P5', 'P7', 'P9',
'PO7', 'PO3', 'O1', 'Iz', 'Oz', 'POz', 'Pz', 'CPz',
'Fpz', 'Fp2', 'AF8', 'AF4', 'AFz', 'Fz', 'F2', 'F4',
'F6', 'F8', 'FT8', 'FC6', 'FC4', 'FC2', 'FCz', 'Cz',
'C2', 'C4', 'C6', 'T8', 'TP8', 'CP6', 'CP4', 'CP2',
'P2', 'P4', 'P6', 'P8', 'P10', 'PO8', 'PO4', 'O2']
eog_channels = ["UP", "DOWN", "LEFT","RIGHT"]
exg_channels = ['EXG5', 'EXG6', 'EXG7', 'EXG8']
Los resultados de las evaluaciones se guardan en la carpeta results/.
Para cualquier consulta, contacta a [email protected]/[email protected]