Show simple item record

dc.contributor.advisorVillota Cerna, Elizabeth Roxana
dc.contributor.authorNeyra Pérez, Juan Manuel
dc.date.accessioned2020-09-25T02:03:09Z
dc.date.available2020-09-25T02:03:09Z
dc.date.created2020
dc.date.issued2020-09-24
dc.identifier.urihttp://hdl.handle.net/20.500.12404/17104
dc.description.abstractMiles de personas en el mundo son afectadas por enfermedades causantes de parálisis tales como esclerosis lateral amiotrófica, lesiones en la médula espinal y distrofia muscular. En los últimos años, investigadores han buscado desarrollar soluciones tecnológicas para asistir a estos pacientes. En el 2012, una mujer con tetraplejia, causada por un paro cerebral, fue capaz de acercar una botella a su boca y beber de ella, utilizando señales EEG invasivas [1]. Recientemente, en el 2016, ahora mediante sensores EEG no invasivos, se realizaron pruebas en 13 sujetos sanos para mover un brazo robot en dos dimensiones [2]. Buscando colaborar en el desarrollo de robots asistenciales, el presente trabajo propone el diseño e implementación de las funciones de 'agarre' y 'levante' en el brazo robot Kinova, donde las señales de activación provendrán de señales EEG y el algoritmo de traducción estará basados en modelos de deep learning. Los modelos de deep learning mencionados serán basados en la solución propuesta por Alex Barachant y Rafael Cycon para la clasificación de señales EEG [3]. El dataset que se utilizará para el entrenamiento se toma del repositorio WAY-EEG-GAL financiado por la unión europea [4]. A pesar de que las señales EEG corresponden a movimientos físicos reales, los cuales no pueden ser realizados por los pacientes con las enfermedades antes mencionadas, este trabajo busca brindar un aporte a la literatura médica e ingenieril y al avance de las aplicaciones de interfaz cerebro-computador. Adicionalmente, se busca proponer el método para evaluar el desempeño en una prueba experimental del algoritmo referido, lo cual no se ha abordado en la literatura presente hasta el momento.es_ES
dc.language.isospaes_ES
dc.publisherPontificia Universidad Católica del Perúes_ES
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-sa/2.5/pe/*
dc.subjectRobots--Sistemas de controles_ES
dc.subjectManipuladores (Mecanismos)es_ES
dc.subjectElectroencefalografíaes_ES
dc.titleDiseño e implementación de las funciones de agarre y levante en un brazo Kinova usando señales EEG y Deep Learninges_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
thesis.degree.nameIngeniero Mecatrónicoes_ES
thesis.degree.levelTítulo Profesionales_ES
thesis.degree.grantorPontificia Universidad Católica del Perú. Facultad de Ciencias e Ingenieríaes_ES
thesis.degree.disciplineIngeniería Mecatrónicaes_ES
dc.type.otherTesis de licenciatura
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.11.00es_ES
dc.publisher.countryPEes_ES
renati.advisor.dni10686413
renati.advisor.orcidhttps://orcid.org/0000-0002-6431-1479es_ES
renati.discipline713096es_ES
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesionales_ES
renati.typehttps://purl.org/pe-repo/renati/type#tesises_ES


Files in this item

FilesSizeFormatView

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess