Clasificación de Imaginación Motora
Decodificación binaria y multiclase de movimientos imaginados de extremidades a partir de registros EEG multicanal.
Clasificación de imaginación motora con EEG en la Universidad de Antioquia: uniendo procesamiento de señales, ML clásico e ingeniería de software.
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.
Decodificación binaria y multiclase de movimientos imaginados de extremidades a partir de registros EEG multicanal.
Filtrado espacial en bandas de frecuencia para maximizar la separabilidad de clases antes de la clasificación.
Validación cruzada leave-one-subject-out, matrices de confusión y análisis de rendimiento por participante.
Flujos en Python desde archivos .edf en bruto hasta modelos entrenados con preprocesamiento versionado y logging.
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.