Identificação de atividades cognitivas a partir de modelos de aprendizado de máquina aplicados ao processamento de sinais de Eletroencefalograma (EEG)

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: SILVA, Juliana Mycaelle Oliveira lattes
Orientador(a): BARROS FILHO, Allan Kardec Duailibe lattes
Banca de defesa: BARROS FILHO , Allan Kardec Duailibe lattes, SOUSA, Gean Carlos Lopes de lattes, ROCHA, Priscila Lima lattes
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal do Maranhão
Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET
Departamento: DEPARTAMENTO DE ENGENHARIA DA ELETRICIDADE/CCET
País: Brasil
Palavras-chave em Português:
Eletroencefalograma;
EEG;
Aprendizado de máquinas;
Inteligência Artificial.
Palavras-chave em Inglês:
Electroencephalogram;
EEG;
Machine Learning;
Artificial Intelligence.
Área do conhecimento CNPq:
Ciência da Computação
Link de acesso: https://tedebc.ufma.br/jspui/handle/tede/tede/4210
Resumo: The different types of activities performed by the subject, such as reading; lis- ten to music; to dance; among others, they lead to the activation of brain regions. Among these activities, cognitive activities are associated with an activation of brain regions related to learning, such as the frontal lobe regions (Superior Frontal, Pre- cuneus, among others). Several studies have been developed to relate cognitive activities and associated brain regions. This type of study is important in unders- tanding the functionality and connectivity of the brain and this knowledge can help to diagnose abnormalities in its functioning. This study aims to develop a classifier model of brain activities during the development of a cognitive activity within the three categories of activity: Video game, music or mathematics. For this, we used the Electroencephalogram (EEG) signals collected in two public databases and using the technique of estimation of brain sources, the anatomical regions related to each of the activities were estimated. After this determination, a model based on ma- chine learning was trained and tested that classifies the type of activity performed according to the activity categories. From the obtained results, we can highlight the en-cephalic activities classifier model elaborated with an accuracy of 99.9%.
id UFMA_acbdc9663031fd16a64dab9362bd9a41
oai_identifier_str oai:tede2:tede/4210
network_acronym_str UFMA
network_name_str Biblioteca Digital de Teses e Dissertações da UFMA
repository_id_str
spelling BARROS FILHO, Allan Kardec Duailibehttp://lattes.cnpq.br/0492330410079141BARROS FILHO , Allan Kardec Duailibehttp://lattes.cnpq.br/0492330410079141SOUSA, Gean Carlos Lopes dehttp://lattes.cnpq.br/5613623457564364ROCHA, Priscila Limahttp://lattes.cnpq.br/0210192910474011http://lattes.cnpq.br/2539616949650940SILVA, Juliana Mycaelle Oliveira2022-10-24T11:51:42Z2022-09-16SILVA, Juliana Mycaelle Oliveira. Identificação de atividades cognitivas a partir de modelos de aprendizado de máquina aplicados ao processamento de sinais de Eletroencefalograma (EEG). 2022. 72 f. Dissertação (Programa de Pós-Graduação em Engenharia Elétrica/CCET) - Universidade Federal do Maranhão, São Luís.https://tedebc.ufma.br/jspui/handle/tede/tede/4210The different types of activities performed by the subject, such as reading; lis- ten to music; to dance; among others, they lead to the activation of brain regions. Among these activities, cognitive activities are associated with an activation of brain regions related to learning, such as the frontal lobe regions (Superior Frontal, Pre- cuneus, among others). Several studies have been developed to relate cognitive activities and associated brain regions. This type of study is important in unders- tanding the functionality and connectivity of the brain and this knowledge can help to diagnose abnormalities in its functioning. This study aims to develop a classifier model of brain activities during the development of a cognitive activity within the three categories of activity: Video game, music or mathematics. For this, we used the Electroencephalogram (EEG) signals collected in two public databases and using the technique of estimation of brain sources, the anatomical regions related to each of the activities were estimated. After this determination, a model based on ma- chine learning was trained and tested that classifies the type of activity performed according to the activity categories. From the obtained results, we can highlight the en-cephalic activities classifier model elaborated with an accuracy of 99.9%.Os diferentes tipos de atividades realizadas pelo sujeito, como ler; ouvir música; dançar; entre outras, conduzem a ativação das regiões encefálicas. Dentre essas atividades, as atividades cognitivas estão associadas a uma ativação de regiões encefálicas relacionadas com a aprendizagem, como as regiões do lóbulo frontal (Superior Frontal, Precuneus, entre outras). Diversos estudos vem sendo desenvolvidos para relacionar atividades cognitivas e as regiões encefálicas associadas. Este tipo de estudo é importante na compreensão da funcionalidade e conectividade do encéfalo e esse conhecimento pode servir de auxílio para o diagnóstico de anormalidades no seu funcionamento. Este estudo tem como objetivo a elaboração de um modelo classificador de atividades encefálicas durante o desenvolvimento de uma atividade cognitiva dentro das três categorias de atividade: Jogo de video game, música ou matemática. Para isso, utilizou-se dos sinais de Eletroencefalograma (EEG) coletados em duas bases de dados públicas e com uso da técnica de estimação de fontes encefálicas estimou-se as regiões anatômicas relacionadas a cada uma das atividades. Após essa determinação, foi treinado e testado um modelo baseado em aprendizado de máquinas que classifica o tipo de atividade desempenhada de acordo com as categorias de atividade. Dos resultados obtidos, podemos ressaltar o modelo classificador das atividades encefálicas elaborado com accurácia de 99,9%.Submitted by Jonathan Sousa de Almeida (jonathan.sousa@ufma.br) on 2022-10-24T11:51:42Z No. of bitstreams: 1 JULIANAMYCAELLEOLIVEIRASILVA.pdf: 7868019 bytes, checksum: 006e3c4e1d1e57ecbb010a0d4c6d56cf (MD5)Made available in DSpace on 2022-10-24T11:51:42Z (GMT). No. of bitstreams: 1 JULIANAMYCAELLEOLIVEIRASILVA.pdf: 7868019 bytes, checksum: 006e3c4e1d1e57ecbb010a0d4c6d56cf (MD5) Previous issue date: 2022-09-16FAPEMAapplication/pdfporUniversidade Federal do MaranhãoPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCETUFMABrasilDEPARTAMENTO DE ENGENHARIA DA ELETRICIDADE/CCETEletroencefalograma;EEG;Aprendizado de máquinas;Inteligência Artificial.Electroencephalogram;EEG;Machine Learning;Artificial Intelligence.Ciência da ComputaçãoIdentificação de atividades cognitivas a partir de modelos de aprendizado de máquina aplicados ao processamento de sinais de Eletroencefalograma (EEG)Cognitive activity identification from machine learning models applied to Electroencephalogram (EEG) signal processinginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFMAinstname:Universidade Federal do Maranhão (UFMA)instacron:UFMAORIGINALJULIANAMYCAELLEOLIVEIRASILVA.pdfJULIANAMYCAELLEOLIVEIRASILVA.pdfapplication/pdf7868019http://tedebc.ufma.br:8080/bitstream/tede/4210/2/JULIANAMYCAELLEOLIVEIRASILVA.pdf006e3c4e1d1e57ecbb010a0d4c6d56cfMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82255http://tedebc.ufma.br:8080/bitstream/tede/4210/1/license.txt97eeade1fce43278e63fe063657f8083MD51tede/42102022-10-24 08:51:42.984oai:tede2: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Biblioteca Digital de Teses e Dissertaçõeshttps://tedebc.ufma.br/jspui/PUBhttp://tedebc.ufma.br:8080/oai/requestrepositorio@ufma.br||repositorio@ufma.bropendoar:21312022-10-24T11:51:42Biblioteca Digital de Teses e Dissertações da UFMA - Universidade Federal do Maranhão (UFMA)false
dc.title.por.fl_str_mv Identificação de atividades cognitivas a partir de modelos de aprendizado de máquina aplicados ao processamento de sinais de Eletroencefalograma (EEG)
dc.title.alternative.eng.fl_str_mv Cognitive activity identification from machine learning models applied to Electroencephalogram (EEG) signal processing
title Identificação de atividades cognitivas a partir de modelos de aprendizado de máquina aplicados ao processamento de sinais de Eletroencefalograma (EEG)
spellingShingle Identificação de atividades cognitivas a partir de modelos de aprendizado de máquina aplicados ao processamento de sinais de Eletroencefalograma (EEG)
SILVA, Juliana Mycaelle Oliveira
Eletroencefalograma;
EEG;
Aprendizado de máquinas;
Inteligência Artificial.
Electroencephalogram;
EEG;
Machine Learning;
Artificial Intelligence.
Ciência da Computação
title_short Identificação de atividades cognitivas a partir de modelos de aprendizado de máquina aplicados ao processamento de sinais de Eletroencefalograma (EEG)
title_full Identificação de atividades cognitivas a partir de modelos de aprendizado de máquina aplicados ao processamento de sinais de Eletroencefalograma (EEG)
title_fullStr Identificação de atividades cognitivas a partir de modelos de aprendizado de máquina aplicados ao processamento de sinais de Eletroencefalograma (EEG)
title_full_unstemmed Identificação de atividades cognitivas a partir de modelos de aprendizado de máquina aplicados ao processamento de sinais de Eletroencefalograma (EEG)
title_sort Identificação de atividades cognitivas a partir de modelos de aprendizado de máquina aplicados ao processamento de sinais de Eletroencefalograma (EEG)
author SILVA, Juliana Mycaelle Oliveira
author_facet SILVA, Juliana Mycaelle Oliveira
author_role author
dc.contributor.advisor1.fl_str_mv BARROS FILHO, Allan Kardec Duailibe
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/0492330410079141
dc.contributor.referee1.fl_str_mv BARROS FILHO , Allan Kardec Duailibe
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/0492330410079141
dc.contributor.referee2.fl_str_mv SOUSA, Gean Carlos Lopes de
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/5613623457564364
dc.contributor.referee3.fl_str_mv ROCHA, Priscila Lima
dc.contributor.referee3Lattes.fl_str_mv http://lattes.cnpq.br/0210192910474011
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/2539616949650940
dc.contributor.author.fl_str_mv SILVA, Juliana Mycaelle Oliveira
contributor_str_mv BARROS FILHO, Allan Kardec Duailibe
BARROS FILHO , Allan Kardec Duailibe
SOUSA, Gean Carlos Lopes de
ROCHA, Priscila Lima
dc.subject.por.fl_str_mv Eletroencefalograma;
EEG;
Aprendizado de máquinas;
Inteligência Artificial.
topic Eletroencefalograma;
EEG;
Aprendizado de máquinas;
Inteligência Artificial.
Electroencephalogram;
EEG;
Machine Learning;
Artificial Intelligence.
Ciência da Computação
dc.subject.eng.fl_str_mv Electroencephalogram;
EEG;
Machine Learning;
Artificial Intelligence.
dc.subject.cnpq.fl_str_mv Ciência da Computação
description The different types of activities performed by the subject, such as reading; lis- ten to music; to dance; among others, they lead to the activation of brain regions. Among these activities, cognitive activities are associated with an activation of brain regions related to learning, such as the frontal lobe regions (Superior Frontal, Pre- cuneus, among others). Several studies have been developed to relate cognitive activities and associated brain regions. This type of study is important in unders- tanding the functionality and connectivity of the brain and this knowledge can help to diagnose abnormalities in its functioning. This study aims to develop a classifier model of brain activities during the development of a cognitive activity within the three categories of activity: Video game, music or mathematics. For this, we used the Electroencephalogram (EEG) signals collected in two public databases and using the technique of estimation of brain sources, the anatomical regions related to each of the activities were estimated. After this determination, a model based on ma- chine learning was trained and tested that classifies the type of activity performed according to the activity categories. From the obtained results, we can highlight the en-cephalic activities classifier model elaborated with an accuracy of 99.9%.
publishDate 2022
dc.date.accessioned.fl_str_mv 2022-10-24T11:51:42Z
dc.date.issued.fl_str_mv 2022-09-16
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv SILVA, Juliana Mycaelle Oliveira. Identificação de atividades cognitivas a partir de modelos de aprendizado de máquina aplicados ao processamento de sinais de Eletroencefalograma (EEG). 2022. 72 f. Dissertação (Programa de Pós-Graduação em Engenharia Elétrica/CCET) - Universidade Federal do Maranhão, São Luís.
dc.identifier.uri.fl_str_mv https://tedebc.ufma.br/jspui/handle/tede/tede/4210
identifier_str_mv SILVA, Juliana Mycaelle Oliveira. Identificação de atividades cognitivas a partir de modelos de aprendizado de máquina aplicados ao processamento de sinais de Eletroencefalograma (EEG). 2022. 72 f. Dissertação (Programa de Pós-Graduação em Engenharia Elétrica/CCET) - Universidade Federal do Maranhão, São Luís.
url https://tedebc.ufma.br/jspui/handle/tede/tede/4210
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do Maranhão
dc.publisher.program.fl_str_mv PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET
dc.publisher.initials.fl_str_mv UFMA
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv DEPARTAMENTO DE ENGENHARIA DA ELETRICIDADE/CCET
publisher.none.fl_str_mv Universidade Federal do Maranhão
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFMA
instname:Universidade Federal do Maranhão (UFMA)
instacron:UFMA
instname_str Universidade Federal do Maranhão (UFMA)
instacron_str UFMA
institution UFMA
reponame_str Biblioteca Digital de Teses e Dissertações da UFMA
collection Biblioteca Digital de Teses e Dissertações da UFMA
bitstream.url.fl_str_mv http://tedebc.ufma.br:8080/bitstream/tede/4210/2/JULIANAMYCAELLEOLIVEIRASILVA.pdf
http://tedebc.ufma.br:8080/bitstream/tede/4210/1/license.txt
bitstream.checksum.fl_str_mv 006e3c4e1d1e57ecbb010a0d4c6d56cf
97eeade1fce43278e63fe063657f8083
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFMA - Universidade Federal do Maranhão (UFMA)
repository.mail.fl_str_mv repositorio@ufma.br||repositorio@ufma.br
_version_ 1797055629769048064

Registros relacionados