Detecção e classificação de imagética motora utilizando sinais de EEG e aprendizado de máquina

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: ANDRADE, Maria Karoline da Silva
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Engenharia Biomedica
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Engenharia Biomédica
Interface cérebro-máquina
Imagética motora
Eletroencefalograma
Inteligência artificial
Classificadores inteligentes
Link de acesso: https://repositorio.ufpe.br/handle/123456789/34608
Resumo: A Interface Cérebro Máquina tem-se mostrado uma tecnologia promissora para desenvolvimento de dispositivos que venham a auxiliar pessoas com algum déficit motor em suas atividades de vida diária, principalmente com uso da imagética motora, que é a resposta cerebral dada no ato de imaginar um movimento real, ainda que o membro relacionado ao movimento não exista. Há de se considerar ainda a plasticidade neural, uma característica do cérebro que o torna capaz de realizar novas conexões, desta forma, até mesmo os indivíduos com um pequeno dano cerebral poderia estar apto ao uso de uma Interface Cérebro Máquina, com o devido treinamento. Dentre as diversas formas de captar os sinais cerebrais o Eletroencefalograma é uma técnica de baixo custo, não invasiva, e capaz de fornecer informações do córtex cerebral de maneira satisfatória, principalmente com o avanço das técnicas computacionais, capazes de eliminar os ruídos advindos dos processos de aquisição. Neste trabalho é realizado um estudo do desempenho de classificadores inteligentes na separação de movimentos da imagética motora, relacionados a movimentos das mãos e pés. Para tal, os sinais foram decompostos em sete níveis com a transformada de Wavelet, e utilizados os seguintes atributos: Coeficiente, Desvio padrão, Energia, Entropia, Média, Range e Skewness, extraídos de todos os níveis. Os testes foram efetuados com os classificadores: Bayes Net, Naive Bayes, Multilayer Perceptron, Support Vector Machine, Extreme Learning Machine, Morphological Extreme Learning Machine, J48, Random Forest e Randon Tree, onde foi possível obter resultados de acurácia acima de 99%, acompanhados de Kappa superiores a 0,9, que levaram a entender que a abordagem inicial foi eficiente e pode ser utilizada para futuras avaliações com diversos indivíduos a fim de verificar sua reprodutibilidade.
id UFPE_ffe27e390a3befb259e2fbc550234bf3
oai_identifier_str oai:repositorio.ufpe.br:123456789/34608
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str
spelling Detecção e classificação de imagética motora utilizando sinais de EEG e aprendizado de máquinaEngenharia BiomédicaInterface cérebro-máquinaImagética motoraEletroencefalogramaInteligência artificialClassificadores inteligentesA Interface Cérebro Máquina tem-se mostrado uma tecnologia promissora para desenvolvimento de dispositivos que venham a auxiliar pessoas com algum déficit motor em suas atividades de vida diária, principalmente com uso da imagética motora, que é a resposta cerebral dada no ato de imaginar um movimento real, ainda que o membro relacionado ao movimento não exista. Há de se considerar ainda a plasticidade neural, uma característica do cérebro que o torna capaz de realizar novas conexões, desta forma, até mesmo os indivíduos com um pequeno dano cerebral poderia estar apto ao uso de uma Interface Cérebro Máquina, com o devido treinamento. Dentre as diversas formas de captar os sinais cerebrais o Eletroencefalograma é uma técnica de baixo custo, não invasiva, e capaz de fornecer informações do córtex cerebral de maneira satisfatória, principalmente com o avanço das técnicas computacionais, capazes de eliminar os ruídos advindos dos processos de aquisição. Neste trabalho é realizado um estudo do desempenho de classificadores inteligentes na separação de movimentos da imagética motora, relacionados a movimentos das mãos e pés. Para tal, os sinais foram decompostos em sete níveis com a transformada de Wavelet, e utilizados os seguintes atributos: Coeficiente, Desvio padrão, Energia, Entropia, Média, Range e Skewness, extraídos de todos os níveis. Os testes foram efetuados com os classificadores: Bayes Net, Naive Bayes, Multilayer Perceptron, Support Vector Machine, Extreme Learning Machine, Morphological Extreme Learning Machine, J48, Random Forest e Randon Tree, onde foi possível obter resultados de acurácia acima de 99%, acompanhados de Kappa superiores a 0,9, que levaram a entender que a abordagem inicial foi eficiente e pode ser utilizada para futuras avaliações com diversos indivíduos a fim de verificar sua reprodutibilidade.The Brain Machine Interface has been shown to be a promising technology. It is being used to develop devices that may help people with motor disabilities in their daily activities. One of the main methods is motor imagery. It is the brain response to the act of imagining a real movement, even if the member related to the movement does not exist. An important aspect to be considered is neural plasticity. It is a brain characteristic that makes it capable of making new connections. So even individuals with a small brain damage could be able to use a Brain Machine Interface after a proper training. Among the many ways of acquiring brain signals, the electroencephalogram has some benefits. It is a low-cost, non-invasive technique. It may provide satisfactory information from the cerebral cortex. Moreover, the most modern equipment are able to remove most of the noise arising from acquisition. In this study we access intelligent classifiers performance in the differentiation of motor imagery signals related to movements of the hands and feet. For this, the signals were decomposed into seven levels using Wavelet transform. The following features were extracted from all levels: Coefficient, Standard deviation, Energy, Entropy, Mean, Range and Skewness. We performed tests with the classifiers: Bayes Net, Naïve Bayes, Multilayer Perceptron, Support Vector Machine, Extreme Learning Machine, Morphological Extreme Learning Machine, J48, Random Forest and Random Tree. Achieving results of accuracy above 99% and Kappa statistic higher than 0.9. Thus, we found that the initial approach was efficient. It has the potential to be used for future evaluations with several individuals, in order to verify experiment’s reproducibility.Universidade Federal de PernambucoUFPEBrasilPrograma de Pos Graduacao em Engenharia BiomedicaRODRIGUES, Marcelo Cairrão AraújoSANTOS, Wellington Pinheiro doshttp://lattes.cnpq.br/1390431692457181http://lattes.cnpq.br/8243956522121701http://lattes.cnpq.br/6413917211782026ANDRADE, Maria Karoline da Silva2019-10-14T22:17:53Z2019-10-14T22:17:53Z2019-07-01info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://repositorio.ufpe.br/handle/123456789/34608porAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPE2019-10-26T07:34:41Zoai:repositorio.ufpe.br:123456789/34608Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-10-26T07:34:41Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.none.fl_str_mv Detecção e classificação de imagética motora utilizando sinais de EEG e aprendizado de máquina
title Detecção e classificação de imagética motora utilizando sinais de EEG e aprendizado de máquina
spellingShingle Detecção e classificação de imagética motora utilizando sinais de EEG e aprendizado de máquina
ANDRADE, Maria Karoline da Silva
Engenharia Biomédica
Interface cérebro-máquina
Imagética motora
Eletroencefalograma
Inteligência artificial
Classificadores inteligentes
title_short Detecção e classificação de imagética motora utilizando sinais de EEG e aprendizado de máquina
title_full Detecção e classificação de imagética motora utilizando sinais de EEG e aprendizado de máquina
title_fullStr Detecção e classificação de imagética motora utilizando sinais de EEG e aprendizado de máquina
title_full_unstemmed Detecção e classificação de imagética motora utilizando sinais de EEG e aprendizado de máquina
title_sort Detecção e classificação de imagética motora utilizando sinais de EEG e aprendizado de máquina
author ANDRADE, Maria Karoline da Silva
author_facet ANDRADE, Maria Karoline da Silva
author_role author
dc.contributor.none.fl_str_mv RODRIGUES, Marcelo Cairrão Araújo
SANTOS, Wellington Pinheiro dos
http://lattes.cnpq.br/1390431692457181
http://lattes.cnpq.br/8243956522121701
http://lattes.cnpq.br/6413917211782026
dc.contributor.author.fl_str_mv ANDRADE, Maria Karoline da Silva
dc.subject.por.fl_str_mv Engenharia Biomédica
Interface cérebro-máquina
Imagética motora
Eletroencefalograma
Inteligência artificial
Classificadores inteligentes
topic Engenharia Biomédica
Interface cérebro-máquina
Imagética motora
Eletroencefalograma
Inteligência artificial
Classificadores inteligentes
description A Interface Cérebro Máquina tem-se mostrado uma tecnologia promissora para desenvolvimento de dispositivos que venham a auxiliar pessoas com algum déficit motor em suas atividades de vida diária, principalmente com uso da imagética motora, que é a resposta cerebral dada no ato de imaginar um movimento real, ainda que o membro relacionado ao movimento não exista. Há de se considerar ainda a plasticidade neural, uma característica do cérebro que o torna capaz de realizar novas conexões, desta forma, até mesmo os indivíduos com um pequeno dano cerebral poderia estar apto ao uso de uma Interface Cérebro Máquina, com o devido treinamento. Dentre as diversas formas de captar os sinais cerebrais o Eletroencefalograma é uma técnica de baixo custo, não invasiva, e capaz de fornecer informações do córtex cerebral de maneira satisfatória, principalmente com o avanço das técnicas computacionais, capazes de eliminar os ruídos advindos dos processos de aquisição. Neste trabalho é realizado um estudo do desempenho de classificadores inteligentes na separação de movimentos da imagética motora, relacionados a movimentos das mãos e pés. Para tal, os sinais foram decompostos em sete níveis com a transformada de Wavelet, e utilizados os seguintes atributos: Coeficiente, Desvio padrão, Energia, Entropia, Média, Range e Skewness, extraídos de todos os níveis. Os testes foram efetuados com os classificadores: Bayes Net, Naive Bayes, Multilayer Perceptron, Support Vector Machine, Extreme Learning Machine, Morphological Extreme Learning Machine, J48, Random Forest e Randon Tree, onde foi possível obter resultados de acurácia acima de 99%, acompanhados de Kappa superiores a 0,9, que levaram a entender que a abordagem inicial foi eficiente e pode ser utilizada para futuras avaliações com diversos indivíduos a fim de verificar sua reprodutibilidade.
publishDate 2019
dc.date.none.fl_str_mv 2019-10-14T22:17:53Z
2019-10-14T22:17:53Z
2019-07-01
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.uri.fl_str_mv https://repositorio.ufpe.br/handle/123456789/34608
url https://repositorio.ufpe.br/handle/123456789/34608
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Engenharia Biomedica
publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Engenharia Biomedica
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1856042101228175360

Registros relacionados