Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/3743
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorSica, Fernando Cortezpt_BR
dc.contributor.advisorReis, Agnaldo José da Rochapt_BR
dc.contributor.authorDrumond, Marina Silva Bueno-
dc.date.accessioned2022-01-17T22:24:43Z-
dc.date.available2022-01-17T22:24:43Z-
dc.date.issued2021pt_BR
dc.identifier.citationDRUMOND, Marina Silva Bueno. Brain machine interface (BMI) para próteses artificiais: sub-sistema de aquisição de sinais cerebrais. 2021. 56 f. Monografia (Graduação em Engenharia de Controle e Automação) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2021.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/3743-
dc.description.abstractA movimentação dos membros inferiores pode ser uma tarefa simples para muitas pessoas e provém das informações neurológicas criadas pela interação e ativação de substâncias químicas denominadas neurotransmissores e neuroreceptores. O estudo sobre eletroencefalografia (EEG) é crescente na comunidade científica devido suas diversas aplicações em sistemas de interface cérebro máquina (BMI). O objetivo deste trabalho consiste na modelagem e implementação de um BMI através do mapeamento dos sinais cerebrais por meio da aprendizagem de máquina para que seja realizada a atuação sobre um exoesqueleto. Para definição de escopo deste projeto, tomou-se como alvo o processo de reabilitação dos membros inferiores por pessoas que, por algum motivo, perderam (totalmente ou parcialmente) a capacidade motora dos membros inferiores. Para compor a base de dados foram coletados, de um indivíduo feminino de 24 anos, 70 amostras em situação de repouso e 70 amostras de movimento, totalizando, assim, 140 amostras (quantidade plausível em que a rede apresentou bom desempenho). Após a aquisição dos dados foram realizadas as seguintes etapas: Pré-processamento, extração de características, processamento dos dados, treinamento, classificação e validação. A acurácia obtida do modelo foi de 94,44\%. Dessa maneira, a partir dos resultados obtidos, demonstrou que as técnicas referenciadas neste projeto são promissoras para a sua utilização com mais usuários para aquisição do sinal. E que, apesar dos testes terem sido realizados em apenas um usuário, e de fato, não possuir grande relevância estatística, foi possível observar o comportamento dos sinais coletados pelo capacete de aquisição.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectMachine learningpt_BR
dc.subjectDeep learningpt_BR
dc.subjectExoesqueletopt_BR
dc.subjectBrain machine interfacept_BR
dc.subjectSistemas Baseados em Conhecimento (SBCs)pt_BR
dc.subjectEletroencefalografiapt_BR
dc.subjectInterface cérebro-computadorpt_BR
dc.titleBrain machine interface (BMI) para próteses artificiais: sub-sistema de aquisição de sinais cerebrais.pt_BR
dc.typeTCC-Graduaçãopt_BR
dc.contributor.refereeCoelho, Bruno Nazáriopt_BR
dc.contributor.refereeMartins, Vinicius Antônio de Oliveirapt_BR
dc.contributor.refereeSica, Fernando Cortezpt_BR
dc.contributor.refereeReis, Agnaldo José da Rochapt_BR
dc.description.abstractenMoving the lower limbs can be a simple task for many people and comes from neurological information created by the interaction and activation of chemical substances called neurotransmitters and neuroreceptors. The study of electroencephalography (EEG) is growing in the scientific community due to its diverse applications in brain machine interface (BMI) systems. The objective of this work is the modeling and implementation of a BMI through the mapping of brain signals through machine learning so that the action on an exoskeleton can be performed. To define the scope of this project, the process of rehabilitation of the lower limbs by people who, for some reason, lost (totally or partially) the motor capacity of the lower limbs was taken as a target. To compose the database, 70 samples at rest and 70 samples were collected from a 24-year-old female, totaling 140 samples. After data acquisition, the following steps were performed: Pre-processing, feature extraction, data processing, training, classification and validation. The accuracy obtained from the model was 94.44\%. Therefore, based on the results obtained, it showed that the techniques referred to in this project are promising for its use with more users for signal acquisition. And that, despite the tests having been performed on only one user, and in fact, not having great statistical relevance, it was possible to observe the behavior of the signals collected by the acquisition helmet.pt_BR
dc.contributor.authorID16.2.1533pt_BR
Aparece nas coleções:Engenharia de Controle e Automação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_BrainMachineInterface.pdf7,36 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons