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

• Ano de defesa: 2019
• Autor(a) principal: ANDRADE, Maria Karoline da Silva
• Orientador(a): RODRIGUES, Marcelo Cairrão Araújo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Programa de Pós-Graduação: Programa de Pos Graduacao em Engenharia Biomedica
• País: Brasil
• 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

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.