Tesi doctoral de Jonah Fernández González: "Efficient and Geometry-Aware AI-Based Methods for EEG Applications in Neurology and Affective Computing". Direcció: Dra. Maria Beatriz Lopez Ibañez i Dra. Bianca Mariela Innocenti Badano
Aquesta tesi doctoral se centra en l’anàlisi
de senyals d’electroencefalografia (EEG) com a eina per monitorar la salut
cerebral des d’una perspectiva cognitiva i emocional. L’EEG és una tècnica no
invasiva i relativament econòmica que permet observar l’activitat elèctrica del
cervell, i és àmpliament utilitzada en neurologia, psiquiatria i psicologia
clínica per estudiar processos com l’estrès, les emocions o les malalties
neurodegeneratives. Tot i el seu potencial, l’ús de l’EEG en entorns reals
presenta diversos reptes, com ara el soroll del senyal, la gran variabilitat
entre persones, l’elevada dimensionalitat de les dades i les limitacions dels
dispositius portables amb pocs sensors. L’objectiu principal de la tesi és desenvolupar
mètodes d’anàlisi de l’EEG que siguin computacionalment eficients,
interpretables i robustos, tot facilitant la seva aplicació en sistemes
portables i entorns clínics reals. Per assolir aquest objectiu, el treball
proposa diferents estratègies basades en descriptors estadístics, models
geomètrics i representacions híbrides que combinen informació espacial i
temporal del senyal cerebral.
La primera contribució aborda la detecció de
l’estrès mitjançant característiques simples extretes de l’EEG. Es demostra que
estadístiques bàsiques del senyal són suficients per diferenciar entre estats
d’estrès, relaxació i neutralitat, sense necessitat de models complexos ni de
sistemes amb molts canals. A més, l’anàlisi de la importància dels canals
mostra que només uns quants elèctrodes concentren la major part de la
informació rellevant, fet que reforça la viabilitat de dispositius portables de
baixa complexitat. La segona contribució proposa una representació basada en
decils per a la classificació de trastorns neurològics. Aquest enfocament
captura la forma de la distribució del senyal EEG en diferents bandes de
freqüència, oferint una alternativa compacta i interpretable a mètodes més
costosos. Els resultats mostren una bona capacitat de discriminació en
malalties com l’Alzheimer, el Parkinson o l’epilèpsia, fins i tot amb un nombre
reduït de canals. La tercera línia de treball introdueix mètodes basats en la
geometria Riemanniana, representant l’EEG mitjançant matrius de covariància que
preserven les relacions espacials entre canals. S’hi desenvolupa un marc
complet de classificació que demostra una millora significativa respecte a
enfocaments euclidians tradicionals, especialment en contextos clínics amb alta
variabilitat i dades limitades. Finalment, la tesi presenta HEART, un nou marc
per al reconeixement d’emocions que integra informació espacial i dinàmica
temporal de l’EEG. Aquest mètode permet descriure l’evolució de l’activitat
cerebral al llarg del temps i millora el rendiment respecte a l’estat de l’art
en diferents bases de dades públiques.
En conjunt, la tesi demostra que és possible
combinar rigor científic i aplicabilitat pràctica en el monitoratge cerebral
amb EEG, mitjançant mètodes lleugers, interpretables i adaptats a les
limitacions dels sistemes portables. Els resultats estableixen una base sòlida
per al desenvolupament de futurs sistemes de neuroenginyeria orientats a la
salut mental i neurològica.
Lectura de la tesi: 04/03/2026 a la Sala d'Actes de l'Escola Politècnica Superior IV (informació extreta de l’Agenda activitats de la web Escola de Doctorat).