• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.100.2021.tde-20062021-211101
Documento
Autor
Nome completo
Wallace Faveron de Almeida
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Paulo, 2021
Orientador
Banca examinadora
Lima, Clodoaldo Aparecido de Moraes (Presidente)
Bastos Filho, Teodiano Freire
Criollo, Carlos Julio Tierra
Papa, João Paulo
Título em português
Técnicas de aprendizado de máquina para interfaces cérebro-computador baseadas em EEG
Palavras-chave em português
Aprendizado de máquina
Classificação
Eletroencefalograma
Extração de características
Imagética motora
Interface cérebro-computador
Resumo em português
Pessoas que sofrem de doenças neurológicas podem apresentar algum tipo de paralisia e serem incapazes de realizar quaisquer funções motoras, mas podem ter algumas habilidades cognitivas. Neste caso, a única maneira de se comunicarem com o ambiente é usando suas atividades cerebrais. Sinais elétricos oriundos de diferentes partes do corpo humano podem ser usados como sinais de comando para controlar sistemas mecânicos. No entanto, é necessário que o responsável pelo controle de tais dispositivos seja capaz de gerar intencionalmente esses sinais, e que a interface adotada possa "entender" e processar tais sinais, definindo o comando adequado ao desejo do indivíduo. O sinal de eletroencefalograma (EEG) corresponde ao potencial elétrico devido à atividade cerebral e pode ser adquirido sobre o couro cabeludo. Interface Cérebro-Computador (BCI) consiste de um sistema capaz de traduzir a atividade neural do cérebro em comandos para dispositivos externos. Os principais fatores que influenciam o desempenho de um sistema de BCI são os sinais cerebrais capturados, os métodos de processamento, a extração de características, os algoritmos que traduzem essas características em comandos, os dispositivos de saída que executam esses comandos, a realimentação fornecida pelo usuário e as particularidades do usuário. A maioria dos sistemas de BCI contém, como parte principal, um algoritmo de aprendizado de máquina, que aprende a partir dos dados de treinamento uma função que pode ser usada para discriminar diferentes padrões de atividade cerebral. Por simplicidade, os algoritmos de aprendizado de máquina geralmente são divididos em dois módulos: extratores de características e classificadores. O módulo de extração remove as informações desnecessárias do sinal de entrada, e ao mesmo tempo retém informações que são importantes para discriminar diferentes classes de sinais. As características extraídas são traduzidas em um sinal de controle pelos algoritmos de aprendizado de máquina. Devido ao fato da tecnologia por trás de um sistema de BCI ainda não estar suficientemente madura e apresentar deficiências em aplicações de mundo real, a principal motivação desta Dissertação de Mestrado é realizar um estudo aprofundado envolvendo diversas técnicas de extração de características e classificadores visando classificar quatro diferentes tarefas de imagética motora (mão esquerda, mão direita, pés e língua). Os experimentos foram realizados utilizando uma base de dados de uma competição de BCI disponível publicamente. Com base nos experimentos realizados, pode-se afirmar que dentre os extratores de características utilizados, o Padrão Espacial Comum (CSP) foi aquele que extraiu as características mais discriminantes. Por outro lado, o intervalo de tempo usado para realizar a extração de característica apresentou pouca interferência no desempenho de classificação e os classificadores Máquina de Vetores Suporte (SVM), Perceptron Multicamadas (MLP) e Floresta de Caminhos Ótimos (OPF) apresentaram desempenho similares. Adicionalmente, as Redes Neurais Convolucionais (CNN), que não utilizam características geradas manualmente, também apresentaram performances semelhante em suas abordagens
Título em inglês
Machine learning techniques for EEG-based brain-computer interfaces
Palavras-chave em inglês
Brain-computer interface
Classification
Electroencephalogram
Feature extraction
Machine learning
Motor imagery
Resumo em inglês
People who suffer from neurological diseases may have some form of paralysis and be unable to perform any motor functions, but they may have some cognitive skills. In this case, the only way to communicate with the environment is to use their brain activities. Electrical signals from different parts of the human body can be used as command signals to control mechanical systems. However, it is necessary that the person responsible for the control of such devices be able to intentionally generate these signals, and that the adopted interface can "understand" and process such signals, defining the command that best adapts to the individual's desire. The electroencephalogram (EEG) signal corresponds to the electrical potential due to brain activity and can be acquired on the scalp. Brain-Computer Interface (BCI) consists of a system capable of translating the brain's neural activity into commands for external devices. The main factors that influence the performance of a BCI system are the captured of the brain signals, the signal processing methods, the feature extraction methods, the algorithms that translate those characteristics into device commands, the output devices that execute these commands, the feedback provided by the user and the characteristics of the user. Most BCI systems contain, as a main part, a machine learning algorithm, which learns from the training data a function that can be used to discriminate different patterns of brain activity. For simplicity, machine learning algorithms are generally divided into two modules: feature extractors and classifiers. The extraction module removes unnecessary information from the input signal, while retaining information that is important for discriminating different classes of signals. The features extracted are translated into a control signal by the machine learning algorithms. Due to the fact that the technology behind a BCI system is not yet mature enough and has deficiencies in real-world applications, the main motivation of this Master Dissertation is to carry out an in-depth study involving several techniques for feature extraction and classifiers in order to classify four different motor imagery tasks (left hand, right hand, both feet and tongue). The experiments were carried out using a publicly available BCI competition database. Based on the experiments carried out, it can be said that among the feature extractors used, the Common Spatial Pattern (CSP) was the one that extracted the most discriminating features. On the other hand, the time interval used to perform the feature extraction showed little interference in the classification performance, and the Support Vector Machine (SVM), Multilayer Perceptron (MLP) and Optimum Path Forest (OPF) classifiers showed similar performance. Additionally, Convolutional Neural Networks (CNN), which do not use handcrafted features, also showed similar performances in their approaches
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2021-09-01
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2021. Todos os direitos reservados.