Por favor, use este identificador para citar o enlazar este ítem: http://www.monografias.ufop.br/handle/35400000/1084
Título : Análise da etapa de treinamento do classificador linear de um sistema BCI-SSVEP.
Autor : Ferreira, Ricardo Coelho
metadata.dc.contributor.advisor: Leite, Sarah Negreiros de Carvalho
Palabras clave : Engenharia elétrica
Interface cérebro-computador
Método dos mínimos quadrados
Fecha de publicación : 2018
Citación : FERREIRA, Ricardo Coelho. Análise da etapa de treinamento do classificador linear de um sistema BCI-SSVEP. 2018. 28 f. Monografia (Graduação em Engenharia Elétrica) – Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2018.
Resumen : Neste estudo foi desenvolvido o processamento digital de sinais eletroencefalográficos para implementar uma interface cérebro-computador (BCI) baseada no Potencial Evocado Visualmente em Regime Estacionário (SSVEP). As características dos estímulos visuais associados aos comandos da BCI foram extraídas usando a estimação espectral via Periodograma de Welch e a discriminação de quatro classes foi estabelecida utilizando o Método dos Mínimos Quadrados como classificador linear. Estudos adicionais foram feitos para auxiliar a escolha do tamanho da janela usada e foi analisado o desempenho da BCI mediante a redução dos dados do próprio indivíduo usados para treinar o sistema de discriminação. Os resultados mostram que o desempenho do sistema é melhor quando se emprega um maior volume de dados do próprio indivíduo para treinar o discriminante.
metadata.dc.description.abstracten: In this study the digital processing of electroencephalographic signals was developed to implemente a brain-computer interface (BCI) based on Steady State Visually Evoked Potential (SSVEP). The visual stimuli features associated with the BCI commands were extracted using spectral estimation via the Welch Periodogram and the four-class were discriminated employing the linear least square method. We also avaluated the impact on BCI performance by varying the size of the signal window for features extraction and the quality of the data used to train the discriminant. The results show that the performance of the system is better when using greater volume of data of the own-subject to train the system.
URI : http://www.monografias.ufop.br/handle/35400000/1084
metadata.dc.rights.license: Autorização concedida à Biblioteca Digital de TCC da UFOP pelo autor em 10/07/2018, com as seguintes condições: disponível sob Licença Creative Commons 4.0, que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite o uso para fins comerciais, nem a adaptação.
Aparece en las colecciones: Engenharia Elétrica - JMV

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
MONOGRAFIA_AnáliseEtapaTreinamento.pdf2,31 MBAdobe PDFVisualizar/Abrir


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