Please use this identifier to cite or link to this item: https://repositorio.ufrn.br/handle/123456789/32625
Title: Análise de sinais eletroencefalográficos para a classificação de atividades: uma solução via aprendizado de máquina e imagética motora
Authors: Nóbrega, Taline dos Santos
Advisor: Martins, Allan de Medeiros
Keywords: Eletroencefalograma (EEG);Aprendizado de máquina;Random Forest;Imagética motora;Mindwave;V-AMP
Issue Date: 31-Jan-2020
Publisher: Universidade Federal do Rio Grande do Norte
Citation: NÓBREGA, Taline dos Santos. Análise de sinais eletroencefalográficos para a classificação de atividades: uma solução via aprendizado de máquina e imagética motora. 2020. 68f. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2020.
Portuguese Abstract: As atividades motoras do corpo humano, assim como aquelas relacionadas a tomada de decisões e questões emocionais e psíquicas, podem ser compreendidas por meio da análise dos sinais elétricos provenientes do cérebro, também conhecidos como sinais eletroencefalográficos (EEGs). O estudo e a aplicação desses dados vêm crescendo dentro da comunidade científica. Sabe-se que o emprego de EEG constitui a base do desenvolvimento das Interfaces Cérebro Computador (ICC), e que essas representam o futuro das tecnologias assistivas, especialmente aquelas direcionadas as pessoas que não possuem controle motor. Contudo, a extração de características e padrões desses sinais ainda é um processo complexo. Algoritmos de aprendizagem de máquina vem mostrando excelentes resultados na interpretação de sinais EEG, sendo empregados como ferramenta para classificação e análise. Suas aplicações abrangem desde estudos na área de neurociências, engenharia neural e até mesmo aplicações comerciais. Com isso, a proposta desse trabalho é analisar os sinais advindos da atividade neural de indivíduos submetidos a protocolos que envolvem tarefas do tipo motora e imagética, com objetivo de propor um classificador para tais atividades. Entende-se que tarefas de imagética, especificamente imagética motora, são técnicas neurocognitivas nas quais o sujeito imagina a realização de uma ação motora sem executar o devido movimento, ou seja, trata-se de um processo mental no qual se imagina o movimento do corpo sem executá-lo. A interpretação e classificação desse tipo de sinal permite desenvolver ferramentas de controle que podem ser ativadas por meio de processos cognitivos. Para compor um setup próprio de medição, utilizou-se como instrumentação dois tipos de sensores para coleta dos sinais, um eletroencefalograma de 16 canais e um sensor de baixo-custo, de um eletrodo, com tecnologia de conexão sem fio. A solução proposta para classificação é baseada na técnica de aprendizado de máquina Random Forest. Para ambos sensores, o algoritmo proposto mostrou-se eficiente no processo de identificação do tipo de movimento (real ou imaginético) e do membro que o realizou (mãos ou tornozelos direitos e esquerdos). Adicionalmente, também foi possível validar algumas dificuldades já apontadas por outros pesquisadores da área, como a expressiva variabilidade interpessoal dos sinais EEG, que contribui negativamente no processo de classificação.
Abstract: The human body motor activities, as well as those activities related to decision making, emotional, and psychic issues, can be understood by analyzing the electrical signals from the brain, also known as electroencephalogram (EEG) signals. The study and application of these data have been growing within the scientific community. The use of these signals has contributed to the development of Brain Computer Interfaces (BCI), which represents the future of assistive technologies, especially for people who do not have motor control. However, the extraction of characteristics and patterns of these signals is still a complicated process. Machine learning algorithms have been showing excellent results for EEG signals interpretation, and they are also useful as a tool for classification and analysis. Their applications involve neuroscience studies, neural engineering, and even commercial uses. Thus, the purpose of this paper is to analyze the signals from the neural activity of individuals submitted to protocols involving motor and imagery tasks, in order to propose a classifier for such tasks. Imaging tasks, specifically motor imagery, can be understood as neurocognitive techniques that the subject imagines performing a motor action without performing the proper movement. For example, it is a mental process in which the person imagines the movement of the body but do not do it. The interpretation and classification of this type of signal allow the development of control tools that can be activated through cognitive processes. The sensors used were a 16-channel electroencephalogram and a low-cost one-electrode sensor with wireless connection technology. The proposed classification solution is based on Random Forest machine learning technique. For both sensors, the proposed algorithm proved to be efficient in the process of identifying the type of movement (real or imaginary) and what limb performed it (hands or ankles right and left).Additionally, it was also possible to validate some difficulties already pointed out by other researchers in the area, such as the expressive interpersonal variability of EEG signals, which contributes negatively to the classification process.
URI: https://repositorio.ufrn.br/handle/123456789/32625
Appears in Collections:PPGEE - Mestrado em Engenharia Elétrica e de Computação

Files in This Item:
File SizeFormat 
Analisesinaiseletroencefalograficos_Nobrega_2020.pdf8,99 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.