Search

Los sistemas de Interfaz Cerebro-Computadora (BCI: Brain-Computer Interface) basados en la imaginación motora (MI: Motor Imagery) tienen un gran potencial para la rehabilitación de pacientes con discapacidades motoras, como las personas que han sufrido de accidentes cerebrovasculares. Sin embargo, las metodologías actuales necesitan de una extensa calibración, que puede no ser efectiva en todos los casos debido a la variabilidad entre sujetos y la calidad de la ejecución de la tarea de MI. Esta limitación reduce la accesibilidad y eficacia de los sistemas BCI en aplicaciones clínicas. El objetivo de este Trabajo de Fin de Grado es desarrollar una estrategia innovadora para la clasificación de actividad cerebral medida mediante el EEG mientras el sujeto hace una tarea de MI. Con ese propósito, se han aplicado técnicas de aprendizaje por transferencia con el fin de mejorar la efectividad y accesibilidad de los sistemas BCI para la neurorehabilitación, mediante la reducción del tiempo de calibración, la realimentación más eficaz mediante el aprendizaje de patrones de movimientos ejecutados, o la creación de programas de entrenamiento personalizados. Para ello, se ha realizado un experimento de caracterización donde se han analizado las diferencias y similitudes en la actividad neuronal durante la ejecución motora (ME: Motor Execution) y la MI mediante técnicas espectrales, como la potencia relativa, y técnicas temporales, como la desincronización/sincronización relacionada con eventos (ERD/ERS: Event Related Desynchronization/Event Related Synchronization). Posteriormente, se ha diseñado una estrategia de aprendizaje por transferencia basado en modelos que consiste en aplicar modelos preentrenados con datos de EEG durante ME para la clasificación de MI, sin necesidad de extensas calibraciones. Los resultados de caracterización muestran que existen patrones similares en la actividad neural asociados a ME y MI, lo cual valida la posibilidad de utilizar estos datos para l, Grado en Ingeniería Biomédica

Producción Científica, Background and objective. Neurotechnologies have great potential to transform our society in ways that are yet to be uncovered. The rate of development in this field has increased significantly in recent years, but there are still barriers that need to be overcome before bringing neurotechnologies to the general public. One of these barriers is the difficulty of performing experiments that require complex software, such as brain-computer interfaces (BCI) or cognitive neuroscience experiments. Current platforms have limitations in terms of functionality and flexibility to meet the needs of researchers, who often need to implement new experimentation settings. This work was aimed to propose a novel software ecosystem, called MEDUSA©, to overcome these limitations. Methods. We followed strict development practices to optimize MEDUSA© for research in BCI and cognitive neuroscience, making special emphasis in the modularity, flexibility and scalability of our solution. Moreover, it was implemented in Python, an open-source programming language that reduces the development cost by taking advantage from its high-level syntax and large number of community packages. Results. MEDUSA© provides a complete suite of signal processing functions, including several deep learning architectures or connectivity analysis, and ready-to-use BCI and neuroscience experiments, making it one of the most complete solutions nowadays. We also put special effort in providing tools to facilitate the development of custom experiments, which can be easily shared with the community through an app market available in our website to promote reproducibility. Conclusions. MEDUSA© is a novel software ecosystem for modern BCI and neurotechnology experimentation that provides state-of-the-art tools and encourages the participation of the community to make a difference for the progress of these fields. Visit the official website at https://www.medusabci.com/ to know more about this project., Ministerio de Ciencia e Innovación/Agencia Estatal de Investigación/10.13039/501100011033/' y el Fondo Europeo de Desarrollo Regional (FEDER) grants (PID2020-115468RB-I00 and RTC2019-007350-1)

Producción Científica, Background and Objective. Brain-computer interfaces (BCI) based on event-related potentials (ERP) are a promising technology for alternative and augmented communication in an assistive context. However, most approaches to date are synchronous, requiring the intervention of a supervisor when the user wishes to turn his attention away from the BCI system. In order to bring these BCIs into real-life applications, a robust asynchronous control of the system is required through monitoring of user attention. Despite the great importance of this limitation, which prevents the deployment of these systems outside the laboratory, it is often overlooked in research articles. This study was aimed to propose a novel method to solve this problem, taking advantage of deep learning for the first time in this context to overcome the limitations of previous strategies based on hand-crafted features. Methods. The proposed method, based on EEG-Inception, a novel deep convolutional neural network, divides the problem in 2 stages to achieve the asynchronous control: (i) the model detects user’s control state, and (ii) decodes the command only if the user is attending to the stimuli. Additionally, we used transfer learning to reduce the calibration time, even exploring a calibration-less approach. Results. Our method was evaluated with 22 healthy subjects, analyzing the impact of the calibration time and number of stimulation sequences on the system’s performance. For the control state detection stage, we report average accuracies above 91% using only 1 sequence of stimulation and 30 calibration trials, reaching a maximum of 96.95% with 15 sequences. Moreover, our calibration-less approach also achieved suitable results, with a maximum accuracy of 89.36%, showing the benefits of transfer learning. As for the overall asynchronous system, which includes both stages, the maximum information transfer rate was 35.54 bpm, a suitable value for high-speed communication. Conclusions. The proposed, Ministerio de Ciencia, Innovación y Universidades - Agencia Estatal de Investigación (grants PID2020-115468RB-I00 and RTC2019-007350-1), Comisión Europea - Fondo Europeo de Desarrollo Regional (cooperation programme Interreg V-A Spain-Portugal POCTEP 2014–2020)

Throughout history, humans have sought ways to break free from the constraints of the body and interact with the world directly through the mind. Brain-computer interfaces (BCIs) represent the realization of this long-standing ambition, allowing individuals to control external devices directly using their brain activity. BCIs measure brain activity using the electroencephalography (EEG), a technique that records the electrical activity of neurons using electrodes placed over the scalp. Then, the EEG is analyzed using signal processing methods to decode users' intentions and translate them into commands that can be used to control external devices. BCIs have great potential in various applications, such as assistive systems for people with motor impairments, augmenting human cognitive abilities, entertainment, and medicine. However, this technology currently faces a number limitations, including low reliability, lack of validation and unsuitable research tools that hinder rapid development of the field. This doctoral dissertation presents a compendium of four publications that propose different strategies to overcome these limitations and promote the development of BCI systems for practical applications, especially in an assistive context. The main topics that were addressed in this research work were the improvement of the asynchronous BCI control, the application of deep learning techniques to increase the accuracy and speed of this technology, and the development of a novel software ecosystem to accelerate BCI and cognitive neuroscience research., A lo largo de la historia, los seres humanos han buscado formas de liberarse de las limitaciones del cuerpo e interactuar con el mundo directamente a través de la mente. Los sistemas brain-computer interface (BCI) representan la materialización de esta ambición, ya que permiten a las personas controlar dispositivos externos directamente utilizando su actividad cerebral. Los sistemas BCI miden la actividad cerebral mediante la electroencefalografía (EEG), una técnica que registra la actividad eléctrica de las neuronas utilizando electrodos colocados sobre el cuero cabelludo. A continuación, el EEG se analiza mediante métodos de procesado de señal para decodificar las intenciones del usuario y traducirlas en órdenes que puedan utilizarse para controlar dispositivos externos. Los sistemas BCI tienen un gran potencial en diversas aplicaciones, como la asistencia a personas con grave discapacidad motora, el entrenamiento de las capacidades cognitivas humanas, el entretenimiento y la medicina. Sin embargo, esta tecnología se enfrenta en la actualidad a importantes limitaciones, como su baja fiabilidad, la falta de validación y unas herramientas de investigación inadecuadas que dificultan el rápido desarrollo de este campo. Esta tesis doctoral presenta un compendio de cuatro publicaciones que proponen diferentes estrategias para superar estas limitaciones y promover el desarrollo de sistemas BCI para aplicaciones prácticas, especialmente en un contexto asistencial. Los principales temas que se abordaron en este trabajo de investigación fueron la mejora del control asíncrono de los sistemas BCI, la aplicación de técnicas de aprendizaje profundo para aumentar la precisión y velocidad de esta tecnología, y el desarrollo de un novedoso ecosistema software para acelerar la investigación en BCI y neurociencia cognitiva., Escuela de Doctorado, Doctorado en Tecnologías de la Información y las Telecomunicaciones

En 1929, Hans Berger desarrolló el elenctroencefalograma (EEG). Desde entonces, el estudio de las señales biómedicas, y en concreto del EEG, ha progresado notablemente. A partir de este descubrimiento, las ondas cerebrales, las cuales eran completamente desconocidas, comenzaron a incluirse para diagnosticar enfermedades como la epilepsia o trastornos del sueño, además de para la investigación y compresión del cerebro. Posteriormente, se comenzó a especular con la utilización de las señales EEG para desarrollar un sistema de comunicaciones entre el cerebro y el medio sin la intervención de músculos y nervios periféricos. Este tipo de sistemas no aparecieron hasta el año 1977, cuando el Dr. Jacques Vidal bautizó el primero con el nombre de Brain-Computer Interface (BCI). Dichos sistemas permiten el control de dispositivos a partir de la monitorización de la actividad cerebral y de la traducción de las intenciones del usuario en comandos de dispositivo. Este trabajo tiene el objetivo de diseñar, desarrollar y evaluar un sistema BCI basado en Steady-State Visual Evoked Potentials (SSVEPs). La aplicación fue desarrollada mediante la plataforma MEDUSA, creada por el Grupo de Ingeniería Biomédica de la Universidad de Valladolid. Para ello se implementaron en Python tanto la interfaz gráfica de la aplicación como los métodos de procesado de señal. El sistema BCI bajo estudio se trata de un speller que permite seleccionar comandos, representados en celdas de una matriz, mediante la detección en el EEG de SSVEPs. Estos últimos son provocados por estímulos visuales a una cierta frecuencia de estimulación. Tras realizar una revisión del estado del arte, se concluye que la mejor manera de conseguir dicho objetivo es mediante el paradigma Joint Frequency-Phase Coding y el método de procesado Canonical Correlation Analysis. Una vez desarrollada, la aplicación fue evaluada por cinco sujetos sanos que relizaron varias tareas en una única sesión. Los resultados obtenidos para la mayo, In 1929, Hans Berger developed the elenctroencephalogram (EEG). Since then, the study of biomedical signals, and in particular of the EEG, has progressed significantly. From this discovery, brain waves, which were completely unknown, were increasingly used to diagnose diseases such as epilepsy or sleep disorders, as well as for the research and compression of the brain. After that, investigators began to suggest the use of EEG signals to develop a communication system between the brain and the environment without the intervention of muscles and peripheral nerves. This type of system did not appear until 1977, when Dr. Jacques Vidal baptized the first one with the name of Brain-Computer Interface (BCI). These systems allow the control of devices by monitoring the brain activity and translating the user's intentions into device commands. This work aims to design, develop and evaluate a BCI system based on Steady-State Visual Evoked Potentials (SSVEPs). The application was developed using the MEDUSA platform, created by the Biomedical Engineering Group of the University of Valladolid. For this purpose, both the application's graphic interface and the signal processing methods were implemented in Python. The BCI system under study is a speller that allows selecting commands, represented in cells of a matrix, through the detection in the EEG of SSVEPs. The latter are caused by visual stimuli at a certain stimulation frequency. After a review of the state of the art, it is concluded that the best way to achieve this goal is through the Joint Frequency-Phase Coding paradigm and the processing method Canonical Correlation Analysis. Once developed, the application was evaluated by five healthy subjects who performed several tasks in a single session. The results obtained for most of the subjects were satisfactory, with an average accuracy of 74.06% under controlled conditions in a laboratory. After the completion of the tasks, the study subjects completed a satisfaction ques, Grado en Ingeniería de Tecnologías de Telecomunicación

In recent years, deep-learning models gained attention for electroencephalography (EEG) classification tasks due to their excellent performance and ability to extract complex features from raw data. In particular, convolutional neural networks (CNN) showed adequate results in brain-computer interfaces (BCI) based on different control signals, including event-related potentials (ERP). In this study, we propose a novel CNN, called EEG-Inception, that improves the accuracy and calibration time of assistive ERP-based BCIs. To the best of our knowledge, EEG-Inception is the first model to integrate Inception modules for ERP detection, which combined efficiently with other structures in a light architecture, improved the performance of our approach. The model was validated in a population of 73 subjects, of which 31 present motor disabilities. Results show that EEG-Inception outperforms 5 previous approaches, yielding significant improvements for command decoding accuracy up to 16.0%, 10.7%, 7.2%, 5.7% and 5.1% in comparison to rLDA, xDAWN + Riemannian geometry, CNN-BLSTM, DeepConvNet and EEGNet, respectively. Moreover, EEG-Inception requires very few calibration trials to achieve state-of-the-art performances taking advantage of a novel training strategy that combines cross-subject transfer learning and fine-tuning to increase the feasibility of this approach for practical use in assistive applications., DPI2017-84280-R, 0378_AD_EEGWA_2_P

Introduction and objectives. The hearing loss supposes a severe handicap for any professional whose activity is based on the recognition of sounds. In the case of health professionals, auscultation is a routine activity and the condition of hearing loss limits it to a variable degree depending on the severity of the same. Those health professionals who, due to the severity of their hearing loss, need the use of hearing aids, find routines based on the use of the stethoscope difficult. The objective of this work is to describe the process to develop a smartphone application that allows real-time reproduction, recording and analysis of sounds to facilitate the work of health professionals with hearing loss. Methods. We have collected cardiac, pulmonary and abdominal somatosounds from healthy and pathological subjects in order to characterize them spectrographically. Then, the application has been designed in order to facilitate the diagnostic work of the hypoacoustic healthcare professional, considering the previous characterization to optimize listening and analysis of cardiac, pulmonary and abdominal sounds. Moreover, in order to maximize the number of compatible devices, it has been developed for the Android operating system, the most widespread in the market. Results. An App for Android-based smartphones has been developed (called STETHOSCOPE) that configures the phone as a stethoscope, picking up the somatosounds through its microphone (being possible to use only the internal microphone of the Smartphone as external microphones of high quality to through its JACK connector), processing the signal until finally sending it via Bluetooth to the hearing aid of the hearing impaired professional. This application allows you to record and graphically represent heart sounds, lungs and abdominals in Android devices and store them in WAV format without compression with a 32-bit FLOAT IEEE coding, allowing your file, comparison or sharing with other professionals. Conclusio, Introducción y objetivos. La hipoacusia supone un severo hándicap para cualquier profesional cuya actividad se base en el reconocimiento de sonidos. En el caso de profesionales sanitarios, la auscultación constituye una actividad rutinaria y el padecimiento de hipoacusia la limita en grado variable en función de la severidad de la misma. Aquellos profesionales sanitarios que por la severidad de su hipoacusia necesitan del uso de audífonos ven dificultadas las rutinas basadas en el uso del fonendoscopio. El objetivo del presente trabajo es describir el proceso llevado a cabo para desarrollar una aplicación para smartphones, que permita la reproducción en tiempo real, el registro y el análisis de sonidos para facilitar la labor de profesionales sanitarios con hipoacusia. Métodos. Hemos recogido somatosonidos cardiacos, pulmonares y abdominales de sujetos sanos y patológicos a fin de caracterizarles frecuencialmente. Posteriormente, la aplicación ha sido diseñada con el objetivo de facilitar la labor diagnóstica del profesional sanitario hipoacúsico, teniendo en cuenta la caracterización anterior para optimizar la escucha y el análisis de sonidos cardiacos, pulmonares y abdominales. Además, con el objetivo de maximizar el número de dispositivos compatibles, ha sido desarrollada para el sistema operativo Android, el más extendido del mercado. Resultados. Hemos desarrollado una App. para smartphones (a la que hemos llamado STETHOSCOPE) basados en Android que configura el teléfono como un fonendoscopio recogiendo el somatosonido a través de su micrófono (siendo posible utilizar exclusivamente el micrófono interno del smartphone o bien micrófonos externos de alta calidad a través de su conector JACK), procesando la señal hasta enviarla finalmente por Bluetooth a los audífonos del profesional hipoacúsico. Esta aplicación permite grabar y representar gráficamente sonidos cardiacos, pulmonares y abdominales en dispositivos Android y almacenarlos en formato WAV, según las reco

Brain-computer interface (BCI) spellers based on event related potentials (ERPs) are intrinsically synchronous systems. Therefore, selections are constantly made, even when users are not paying attention to the stimuli. This poses a major limitation in real-life applications, in which an asynchronous control is required. The aim of this study is to design, develop and test a novel method to discriminate whether the user is controlling the system (i.e., control state) or is engaged in other task (i.e., non-control state). To achieve such an asynchronous control, our method detects the steady-state visual evoked potentials (SSVEPs) elicited by peripheral stimuli of ERP-based spellers. A characterization experiment was conducted with 5 subjects to investigate general aspects of this phenomenon. Then, the proposed method was validated with 15 subjects in offline and online sessions. Results show that the proposed method provides a reliable asynchronous control, achieving an average accuracy of 95.5% for control state detection during the online sessions. Furthermore, our approach is independent of the ERP classification stage, and to the best of our knowledge, is the first procedure that does not need to extend the duration of the calibration sessions to acquire non-control observations., DPI2017-84280-R, 0378_AD_EEGWA_2_P

[ES] Los sistemas Brain-Computer Interface (BCI) permiten la comunicación en tiempo real entre el cerebro y el entorno midiendo la actividad neuronal, sin la necesidad de que intervengan músculos o nervios periféricos. En la práctica, normalmente se emplea el electroencefalograma (EEG) para registrar la actividad cerebral, debido a que se realiza con un equipo portable, no invasivo y de bajo coste en comparación con otras técnicas disponibles. Una vez adquirida la señal EEG, esta es analizada en tiempo real por un software que determina las intenciones del usuario y las traduce en comandos de la aplicación, proporcionando una realimentación visual o auditiva. En concreto, los sistemas BCI basados en potenciales relacionados con eventos (event related potentials, ERP) utilizan el llamado paradigma oddball. Este paradigma presenta una matriz de comandos, cuyas filas y columnas se iluminan de manera secuencial. Para seleccionar un comando, el usuario debe mirar a fijamente a la celda correspondiente de la matriz. Los estímulos visuales, percibidos con la región central de su campo visual, provocan un ERP en la señal de EEG. Posteriormente, el sistema determina el comando que quiere seleccionar el usuario mediante la detección de estos ERP. Actualmente, una de las mayores limitaciones de los sistemas BCI basados en ERP es que son inherentemente síncronos. La aplicación selecciona un comando después de un número predefinido de iluminaciones, aunque el usuario no esté atendiendo a los estímulos. Esta limitación restringe el uso de estos sistemas en la vida real, donde los usuarios deberían poder dejar de prestar atención a la aplicación para realizar otras tareas sin que se seleccionen comandos indeseados. Esta característica es especialmente importante en aplicaciones BCI enfocadas al aumento de la calidad de vida de personas con grave discapacidad, como navegadores web o sistemas de control de sillas de ruedas. Para resolver esta limitación, es necesario añadir al siste, [EN] Synchronicity is an inherent feature of brain–computer interface (BCI) spellers based on event related potentials (ERPs). These systems always make a selection, even when users are engaged in another task. This represents a great limitation in real-life applications, such as wheelchair control or web browsers, in which an asynchronous control should be a key feature. The aim of this study is to design, develop and test a novel algorithm to discriminate whether the user wants to select a command or is not attending the stimuli. In order to achieve such asynchronous control, our method detects the steady-state visual evoked potentials provoked by nontarget stimuli of ERP-based spellers. The proposed method was validated with offline data from 5 healthy subjects, achieving an average accuracy of 99.7%. Our approach is independent of the ERP classification stage, which reduces inter-session variability. Furthermore, to the best of our knowledge, it is the first algorithm for asynchronous control that does not need to extend the duration of the calibration sessions.

[ES] Los sistemas Brain-Computer Interface (BCI) permiten la comunicación en tiempo real entre el cerebro y el entorno midiendo la actividad neuronal, sin la necesidad de que intervengan músculos o nervios periféricos. En la práctica, normalmente se emplea el electroencefalograma (EEG) para registrar la actividad cerebral, debido a que se realiza con un equipo portable, no invasivo y de bajo coste en comparación con otras técnicas disponibles. Una vez adquirida la señal EEG, esta es analizada en tiempo real por un software que determina las intenciones del usuario y las traduce en comandos de la aplicación, proporcionando una realimentación visual o auditiva. En concreto, los sistemas BCI basados en potenciales relacionados con eventos (event related potentials, ERP) utilizan el llamado paradigma oddball. Este paradigma presenta una matriz de comandos, cuyas filas y columnas se iluminan de manera secuencial. Para seleccionar un comando, el usuario debe mirar a fijamente a la celda correspondiente de la matriz. Los estímulos visuales, percibidos con la región central de su campo visual, provocan un ERP en la señal de EEG. Posteriormente, el sistema determina el comando que quiere seleccionar el usuario mediante la detección de estos ERP. Actualmente, una de las mayores limitaciones de los sistemas BCI basados en ERP es que son inherentemente síncronos. La aplicación selecciona un comando después de un número predefinido de iluminaciones, aunque el usuario no esté atendiendo a los estímulos. Esta limitación restringe el uso de estos sistemas en la vida real, donde los usuarios deberían poder dejar de prestar atención a la aplicación para realizar otras tareas sin que se seleccionen comandos indeseados. Esta característica es especialmente importante en aplicaciones BCI enfocadas al aumento de la calidad de vida de personas con grave discapacidad, como navegadores web o sistemas de control de sillas de ruedas. Para resolver esta limitación, es necesario añadir al siste, [EN] Synchronicity is an inherent feature of brain–computer interface (BCI) spellers based on event related potentials (ERPs). These systems always make a selection, even when users are engaged in another task. This represents a great limitation in real-life applications, such as wheelchair control or web browsers, in which an asynchronous control should be a key feature. The aim of this study is to design, develop and test a novel algorithm to discriminate whether the user wants to select a command or is not attending the stimuli. In order to achieve such asynchronous control, our method detects the steady-state visual evoked potentials provoked by nontarget stimuli of ERP-based spellers. The proposed method was validated with offline data from 5 healthy subjects, achieving an average accuracy of 99.7%. Our approach is independent of the ERP classification stage, which reduces inter-session variability. Furthermore, to the best of our knowledge, it is the first algorithm for asynchronous control that does not need to extend the duration of the calibration sessions.

Producción Científica, En este estudio se presenta MEDUSA, una nueva plataforma para la implementación de sistemas Brain-Computer Interface (BCI), utilizando como señal de control los potenciales evocados P300 generados mediante el paradigma odd-ball visual. Las principales características de MEDUSA son: i) diseño modular, conectando las distintas partes de la aplicación mediante estructuras simples; ii) arquitectura especialmente diseñada para entornos de investigación, que permite implementar nuevos paradigmas de estimulación, métodos de pre-procesado de señal, o algoritmos de extracción, selección y clasificación de características de manera sencilla e integrarlos rápidamente en el flujo de ejecución; iii) desarrollo en Python: un lenguaje multiplataforma muy utilizado en investigación por su simplicidad y versatilidad, disponiendo además de gran cantidad de librerías que disminuyen el tiempo de desarrollo; iv) amplia documentación, con ejemplos de aplicación y código detalladamente comentado; v) interfaz gráfica atractiva y moderna, que permite modificar de manera sencilla gran cantidad de parámetros de la plataforma., TEC2014-53196-R y DPI2017-84280-R del Ministerio of Economía y Competitividad y FEDER, el proyecto “Análisis y correlación entre el genoma completo y la actividad cerebral para la ayuda en el diagnóstico de la enfermedad de Alzheimer” (Programa Operativo de Cooperación Transfronteriza España-Portugal, POCTEP, 2014-2020) de la Comisión Europea y FEDER, y el proyecto VA037U16 de la Junta de Castilla y León y FEDER. Víctor Martínez-Cagigal es beneficiario de una ayuda PIF-UVa de la Universidad de Valladolid.

Desde el descubrimiento del electroencefalograma (EEG), que fue desarrollado por Hans Berger en 1929, la electrofisiología ha avanzado enormemente. Gracias a ese descubrimiento, las ondas cerebrales, hasta entonces prácticamente desconocidas, comenzaron a estudiarse para el diagnóstico de enfermedades como la epilepsia o diversos trastornos del sueño. Fue en la segunda mitad del siglo XX cuando se empezó a sugerir la aplicación de las señales cerebrales para la comunicación con el medio sin la mediación de músculos y nervios periféricos, algo que podría mejorar significativamente la vida de personas con grave discapacidad motora. El primer sistema de este tipo fue desarrollado por el Dr. Jacques Vidal en 1977, bautizándolo posteriormente como BCI (Brain Computer Interface). Estos sistemas permiten el control de máquinas, traduciendo directamente en comandos las intenciones de un usuario mediante la extracción y clasificación de características. Este trabajo tiene el objetivo de desarrollar y evaluar una aplicación BCI que permita el control de un Smartphone y sus principales funcionalidades. Tras realizar una revisión del estado del arte, se concluye que la mejor manera de alcanzar este objetivo es mediante una aplicación basada en el paradigma oddball. Este paradigma BCI permite seleccionar comandos representados en las celdas de una matriz mediante la detección en el EEG de potenciales P300 provocados por estímulos visuales que aparecen en tiempos aleatorios y generados de forma endógena por el usuario de la aplicación. El sistema diseñado se encuentra distribuido entre un ordenador y el dispositivo móvil a controlar. Debido a su mayor capacidad, la implementación del paradigma oddball y el procesado de señal se realizan en el ordenador, que traduce en comandos las intenciones del usuario. Posteriormente, estos se envían al dispositivo móvil mediante tecnología Bluetooth. Una vez recibido el comando, el Smartphone lo ejecutará. Las tareas disponibles en la aplicac, Grado en Ingeniería de Tecnologías de Telecomunicación