Saltar al contenido principal
Manuel Quistial.dev

Investigación

Clasificación de imaginación motora con EEG en la Universidad de Antioquia: uniendo procesamiento de señales, ML clásico e ingeniería de software.

Resumen

Mi investigación de maestría aborda la clasificación de imaginación motora a partir de EEG: distinguir movimientos imaginados de mano izquierda vs. derecha a partir de registros ruidosos en el cuero cabelludo. Es un bloque fundamental para interfaces cerebro–computadora no invasivas que podrían apoyar rehabilitación motora o control de dispositivos.

El trabajo combina preprocesamiento con MNE, Filter Bank Common Spatial Patterns (FBCSP) y clasificadores lineales evaluados con validación cruzada leave-one-subject-out. Documento cada paso para que los experimentos sean reproducibles y comparables.

Temas de investigación

Clasificación de Imaginación Motora

Decodificación binaria y multiclase de movimientos imaginados de extremidades a partir de registros EEG multicanal.

Extracción de Características FBCSP

Filtrado espacial en bandas de frecuencia para maximizar la separabilidad de clases antes de la clasificación.

Evaluación entre sujetos

Validación cruzada leave-one-subject-out, matrices de confusión y análisis de rendimiento por participante.

Pipelines Reproducibles

Flujos en Python desde archivos .edf en bruto hasta modelos entrenados con preprocesamiento versionado y logging.

Métodos y herramientas

  • Adquisición EEG y filtrado pasabanda / notch
  • Extracción de características FBCSP y CSP
  • Clasificadores LDA, SVM y k-means
  • scikit-learn, pandas, NumPy y MNE-Python
  • Validación cruzada leave-one-subject-out
  • Matrices de confusión y reportes estadísticos de rendimiento

Objetivos de investigación

Corto plazo: refinar el pipeline de imaginación motora, comparar configuraciones FBCSP y publicar benchmarks reproducibles bajo protocolos de evaluación consistentes.

Largo plazo: conectar prototipos de investigación con software de calidad productiva que haga la neurotecnología más accesible: modelos interpretables, APIs limpias y herramientas que los investigadores puedan desplegar.