Por favor, use este identificador para citar o enlazar este ítem: http://www.monografias.ufop.br/handle/35400000/5036
Título : Análise de desempenho de técnicas de extração de características e classificação em sinais de imagética motora para a ativação de um braço robótico.
Autor : Tavares, Felipe Augusto
metadata.dc.contributor.advisor: Eras Herrera, Wendy Yadira
Costa, Fabrício Javier Erazo
metadata.dc.contributor.referee: Braga, Márcio Feliciano
Ricco, Rodrigo Augusto
Costa, Fabrício Javier Erazo
Eras Herrera, Wendy Yadira
Palabras clave : Interface cérebro-computador
Membros artificiais
Robótica
Fecha de publicación : 2022
Citación : TAVARES, Felipe Augusto. Análise de desempenho de técnicas de extração de características e classificação em sinais de imagética motora para a ativação de um braço robótico. 2022. 67 f. Monografia (Graduação em Engenharia Elétrica) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2022.
Resumen : Uma interface cérebro-máquina (ICM) é um sistema de comunicação que utiliza sinais cerebrais para controlar a ativação de dispositivos externos. Diversas aplicações de ICMs baseadas na imagética motora (IM) são ativadas a partir da detecção da IM permitindo o controle de próteses, órteses e, consequentemente, melhoram a qualidade de vida de indivíduos que apresentam limitações no controle de membros do corpo. A sincronização/dessincronização relacionada ao evento (SRE/DRE) é uma resposta motora que se encontra nos registros de eletroencefalografia (EEG) e suas características podem ser utilizadas para a ativação de uma ICM. A classificação do sinal de SRE/DRE durante a IM em meio da atividade elétrica cerebral é uma etapa fundamental na implementação de uma ICM. Neste trabalho, os sinais de EEG das tarefas de IM da mão esquerda e mão direita são classificados para a ativação de um braço robótico. As características utilizadas são de densidade espectral de potência (PSD), utilizando o método não paramétrico de Welch e o paramétrico baseados em uma abordagem adaptativa para atualizar os parâmetros dos coeficientes autorregressivos (AR) e testados com o classificador linear denominado análise discriminante linear (LDA) e não linear perceptron de multicamadas (MLP). A metodologia proposta consiste em quatro etapas. Na primeira etapa, são obtidos os modelos AR que descrevem o sinal de EEG durante a IM. Na segunda etapa, os coeficientes do modelo autorregressivos são atualizados utilizando a abordagem de estimação dual de estados e parâmetros e a PSD é encontrada. Na terceira etapa, os coeficientes AR são utilizados como características no classificador LDA adaptativo e a PSD é utilizada como características para o MLP. Na quarta etapa, utilizam-se os sinais classificados para ativar o braço robótico ED7220C com o intuito de simular uma ICM. A abordagem proposta alcançou taxas de classificação de 76,19% com uma variação entre 57,14% até 100% para os noves indivíduos, respectivamente, utilizando o sinal de SRE/DRE. Utilizando a PSD e o classificador não linear, a média da taxa de acerto é de 71,17%, variando entre 62,50% até 81,25% dentre os indivíduos. Os resultados preliminares sugerem que a abordagem adaptativa proposta com o classificador linear e a abordagem com o classificador não linear são métodos promissores para tratar problemas de classificação de sinais de IM, possibilitando a utilização em aplicações de ICMs.
metadata.dc.description.abstracten: A brain computer interface (BCI) is a communication system that uses brain signals to control the activation of external devices. Several applications of BCIs based on movement imagination (MI) are activated from MI detection allowing the control of prosthetics, orthoses, and consequently improving the quality of life for individuals who have limitations in the control of members of the body. Event-related synchronization/disynchronization (ERS/ERD) is a motor response that found in electroencephalography (EEG) recordings and its characteristics can be used to activate an BCI. The classification of the ERS/ERD signal during MI into brain electrical activity is a step fundamental in the implementation of an BCI. In this work, EEG signals from left-hand and left-hand MI tasks right hand are rated for activating a robotic arm. The Characteristics used are power spectral density (PSD), using the nonparametric Welch method and the parametric method based on an adaptive approach to update the parameters of the autoregressive coefficients (AR) and tested with the linear classifier LDA and non-linear MLP. The proposed methodology consists of four steps. In the first step, the AR models that describe the EEG signal during MI are obtained. In the second step, the autoregressive coefficients are updated using the dual estimation of states and parameters and the PSD is found. In the third step, the AR coefficients are used as characteristics in the adaptive LDA classifier and the PSD is used as characteristics for the MLP. In the fourth step, the classified signals are used to activate the ED7220C robotic arm with the in order to simulate an BCI. The proposed approach achieved rating rates of 76.19% with a range from 57.14% to 100% Using the PSD and the non-linear classifier, the average hit rate is 71.17%, with the hit rate ranging from 62.50% to 81.25% among individuals. Preliminary results suggest that the adaptive approach proposed with the linear classifier and the approach with the nonlinear classifier are promising methods to address classification problems of MI signals, enabling their use in BCI applications.
URI : http://www.monografias.ufop.br/handle/35400000/5036
Aparece en las colecciones: Engenharia Elétrica - JMV

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
MONOGRAFIA_AnáliseDesempenhoTécnicas.pdf4,38 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons