Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/1214
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorLeite, Sarah Negreiros de Carvalhopt_BR
dc.contributor.advisorYared, Glauco Ferreira Gazelpt_BR
dc.contributor.authorMachado, Gabriel Souza-
dc.date.accessioned2018-08-02T12:41:35Z-
dc.date.available2018-08-02T12:41:35Z-
dc.date.issued2018-
dc.identifier.citationMACHADO, Gabriel Souza. Análise do desempenho de técnicas de processamento de sinais para uma interface cérebro-computador baseada em imagética motora. 2018. 38 f. Monografia (Graduação em Engenharia de Computação) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2018.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/1214-
dc.description.abstractInterfaces cérebro-computador são sistemas em hardware e software que permitem a seus usuários transmitir suas intenções a dispositivos externos com o envolvimento mínimo de nervos periféricos e músculos. Uma forma de se controlar essas interfaces é através de imagética motora, que consiste em se imaginar um movimento sem realizá-lo, provocando alterações em ritmos cerebrais que podem ser detectadas em sinais de eletroencefalograma (EEG). Visando identificar essas alterações, neste trabalho desenvolveu-se a etapa de processamento de sinais de uma interface cérebro-computador, compreendendo: pré-processamento, extração de atributos, seleção de atributos e classificação. O pré-processamento dos sinais foi realizado usando Common Average Reference (CAR), a extração de atributos através do periodograma de Welch, Common Spatial Patterns (CSP) e Filter Bank Common Spatial Patterns (FBCSP), a seleção de atributos baseada em informação mútua e a classificação com Support Vector Machine (SVM) e Naïve Bayes. O sistema foi avaliado usando uma base de dados contendo sinais de EEG de nove pessoas realizando imagética motora de quatro classes diferentes: mão esquerda, mão direita, pés e língua. A melhor combinação encontrada alcançou uma acurácia de 71.20\% empregando CAR, FBCSP, informação mútua e Naïve Bayes. Os resultados indicam que a etapa de seleção de atributos é a que mais impacta a taxa de acerto, sendo que todas as melhores combinações de técnicas incluíram o FBCSP, e em todas as combinações o CSP superou a extração de atributos através do periodograma de Welch.pt_BR
dc.language.isopt_BRpt_BR
dc.rightsopen accesspt_BR
dc.subjectAprendizagem de máquinapt_BR
dc.titleAnálise do desempenho de técnicas de processamento de sinais para uma interface cérebro-computador baseada em imagética motora.pt_BR
dc.typeTCC-Graduaçãopt_BR
dc.rights.licenseAutorização concedida à Biblioteca Digital de TCC’s da UFOP pelo(a) autor(a) em 28/07/2018 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.pt_BR
dc.contributor.refereeYared, Glauco Ferreira Gazelpt_BR
dc.contributor.refereeLeite, Harlei Miguel de Arrudapt_BR
dc.contributor.refereeCosta, Fabrício Javier Erazopt_BR
dc.description.abstractenBrain-computer interfaces (BCI) are hardware and software systems that enable its users to convey their intentions to external devices without any involvement from the peripheral nerves and muscles. One way to control a BCI is through motor imagery, imagining a movement without actually performing it, causing changes in cerebral rhythms that can be detected through electroencephalography (EEG). Aiming to detect such changes, the signal processing stage of a BCI was implemented, encompassing: preprocessing, feature extraction, feature selection and classification. The preprocessing was done using Common Average Reference (CAR), the feature selection step employed Welch's method, Common Spatial Patterns (CSP) and Filter Bank Common Spatial Patterns (FCSP), feature selection was made using mutual information and the classification was done with Support Vector Machine (SVM) and Naive Bayes. These methods were evaluated using a dataset containing EEG signals from nine people performing motor imagery from four different classes. The best combination found achieved an accuracy of 71.20\% using CAR, FBCSP, mutual information and Naive Bayes. The results indicate that feature selection is the most influential step in the system's performance, wherein all of the best performing combinations employed FBCSP, and all combinations using CSP outperformed Welch's method.pt_BR
Aparece nas coleções:Engenharia de Computação - JMV

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_AnáliseDesempenhoTécnicas.pdf2,2 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons