Há casos em que o caminho do sistema nervoso que conecta o cérebro aos membros do corpo fica comprometido. Depois de um acidente vascular cerebral (AVC), por exemplo, uma pessoa pode perder a capacidade de controlar seu braço. Nesses casos, a terapia de reabilitação motora pode devolver o controle total ou parcial sobre o membro afetado. Todavia, quando não há movimento residual no membro afetado, a reabilitação é extremamente difícil. Uma Interface Cérebro-Computador (ICC) registra sinais cerebrais e os transforma em comandos para uma máquina. As ICCs tornaram-se uma alternativa promissora para a reabilitação desses casos mais difíceis. Isso ocorre por meio de um dispositivo auxiliar, como um exoesqueleto, que movimenta o membro paralisado do paciente ao detectar essa intenção por meio de processamento em tempo real dos sinais cerebrais. ICCs não invasivas são preferíveis em função de sua segurança. Nas ICCs, a eletroencefalografia (EEG) é a técnica mais empregada para registrar os sinais cerebrais. ICC baseada em EEG é o foco deste trabalho. O maior desafio desses sistemas é a variabilidade dos sinais. Isso significa que os sinais cerebrais de uma pessoa em uma dada tarefa repetida várias vezes serão diferentes em cada repetição. O volume condutor entre o cérebro e o couro cabeludo e a impossibilidade de se registrar os sinais utilizando uma referência eletricamente neutra são duas das principais razões para a variabilidade do EEG. Este trabalho tem por objetivo desenvolver uma estratégia para melhorar a identificação do movimento em pseudo tempo real. Um estudo sobre sinais motores de membros superiores é realizado. Na sequência, é proposto um método para personalizar o algoritmo de uma ICC a cada indivíduo, visando reduzir a variabilidade do EEG e, assim, melhorar a identificação pretendida. Foi visto que o método proposto foi eficaz, proporcionando uma acurácia média de 95% entre 15 sujeitos.

The neural pathway between the brain and the rest of the body might be compromised at different levels. For instance, after a stroke a person may not be able to control his/her own arm. In such cases, a motor rehabilitation therapy might enable the patient to recover complete or partial control over the paralyzed limb. However, when there is no residual control of the affected limb, rehabilitation is extremely difficult. Brain-Computer Interface is a system that records brain signals and translates them into commands to a computer or a machine. Mainly in the past 10 years, BCIs became a promising solution for these rehabilitation cases, by using auxiliary devices, such as exoskeletons, to execute a movement with the paralyzed limb once the intention to move it is detected by processing in real-time the brain signals. Non-invasive BCIs, i.e. ones that does not require surgery to implant electrodes, are usually preferred because of safety issues. In these BCIs, the electroencephalographic (EEG) technique is the most widely adopted procedure to record brain signals. EEG-based BCIs for motor rehabilitation is the focus of this work. The major challenge to develop such systems is the variability of EEG signals. This means that recording brain activity of the same person executing the same task repeatedly, the signals from different trials present considerable differences. The head volume conduction and the impossibility of recording the signals referenced to an electrically neutral point are two of the main reasons for such variability. This work aims at developing a strategy to improve the movement intention identification in pseudo real-time. First, a study concerning motor signals is conducted. Then, a method to personalize the BCI algorithm to each individual is proposed to reduce the signal variability, thus improving the accuracy of movement detection. It was seen that the proposed method was effective, reaching an average accuracy of 95% across 15 subjects.