Las interfaces cerebrales (BCI, por sus siglas en inglés Brain Computer Interface) se basa en el uso de la actividad cerebral de una persona para generar acciones de control en dispositivos electrónicos; las funciones básicas de dichos sistemas son medir la actividad cerebral, procesarla para obtener características de interés y, una vez obtenida, interactuar con el entorno de la manera deseada por el usuario. Para ello, se registra y procesa la actividad cerebral de la persona con el fin de diferenciar entre diferentes patrones de señal, asociados con cambios en la actividad cerebral tanto voluntariamente como de forma inducida. Esta tecnología está orientada principalmente a personas con algún tipo de discapacidad de movimiento, parcial o total o con algún tipo de parálisis, ya que la generación de acciones de control sin tener que realizar ningún tipo de movimiento por parte de la persona, hace que las interfaces cerebrales se utilicen para mejorar su calidad de vida. El desarrollo de los sistemas BCI se basa principalmente en la información obtenida mediante el procesamiento de las señales cerebrales. Además de la obtención de señales, los pasos de extracción y selección de características son vitales para el desarrollo de aplicaciones ya que se necesita para extraer información significativa de la señal cerebral. Un factor esencial para el funcionamiento exitoso de los sistemas BCI son los métodos utilizados para procesar las señales cerebrales. El presente trabajo presenta la implementación de algoritmos de inteligencia colectiva animal, los cuales son capaces de producir soluciones de bajo costo computacional para diversos problemas complejos y de optimización. Se prestará el algoritmo de optimización de colonia de hormigas propuesto por Dorigoet al. en 1996, el cual se inspira en el comportamiento de forrajeo de algunas especies de hormigas, que depositan feromonas en el suelo con el fin de hacer alguna tendencia favorable que debe seguir otros miembros de la colonia que aumenta la probabilidad de que otras hormigas sigan el mismo camino resultando en una forma óptima desde el nido hasta la fuente de alimento. Los biólogos han demostrado que muchos de los comportamientos observados en el nivel de colonia de insectos sociales pueden explicarse por modelos bastante simples en los que sólo la comunicación está presente. La idea detrás de los algoritmos de hormigas es utilizar alguna forma de comunicación artificial para coordinar las sociedades de agentes artificiales. El algoritmo de optimización de colonia de hormigas se ha utilizado en el procesamiento de datos biomédicos como metodología para optimizar las señales cerebrales mejorar las características de esas señales y obtener un mejor desempeño en el desarrollo de los sistemas BCI. La metodología presentada se basará en los sistemas BCI basados en potenciales evocados visuales de estado estacionario, estos sistemas se caracterizan por el uso de estímulos sensibles a los procesos dinámicos de la parte occipital de la corteza cerebral.
The Brain Computer Interface (BCI) is based upon the use of a person's brain activity to generate control actions on electronic devices; the basic functions of such systems are to measure brain activity, process it to obtain features of interest and, once obtained, to interact with the environment in the manner desired by the user. To do this, the person's brain activity is recorded and processed in order to differentiate between different signal patterns, associated with changes in brain activity both voluntarily and in an induced manner. This technology is oriented mainly to people with some type of movement disability, partial or total or with some kind of paralysis, since the generation of control actions without having to make any kind of movement by the person, makes the Brain interfaces are used to improve their quality of life. The development of BCI systems is mainly based on information obtained through the processing of brain signals. In addition to obtaining signals, the extraction and feature selection steps are vital for application development, as it is needed to extract meaningful information from the brain signal. An essential factor for the successful operation of BCI systems are the methods used to process brain signals. The present work presents the implementation of collective animal intelligence algorithms, which are able to produce solutions of low computational cost for various complex problems and optimization. The ant colony optimization algorithm proposed by Dorigoet al. in 1996 will be provided, which is inspired by the foraging behavior of some ant species that put pheromones in the soil in order to make some favorable trends that must follow other members of the colony that increases the likelihood that other ants will follow the same path resulting in an optimal form from the nest to the food source. Biologists have shown that simple models in which can explain many of the behaviors observed at the level of social insect colony only communication is present. The idea behind ant algorithms is to use some form of artificial communication to coordinate artificial agent societies. The ant colony optimization algorithm has been used in biomedical data processing as a methodology to optimize brain signals to improve the characteristics of these signals and to obtain better performance in the development of BCI systems. The methodology presented will be based on BCI systems based on visual evoked potentials of steady state; these systems are characterized by the use of sensitive stimuli to the dynamic processes of the occipital part of the cerebral cortex.
