Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/4148
Título: Análise do desempenho de técnicas multiclasse de extração de características em interfaces cérebro máquina ativadas por imaginação de movimento.
Autor(es): Costa, Jefferson da Silva
Orientador(es): Costa, Fabrício Javier Erazo
Membros da banca: Leite, Sarah Negreiros de Carvalho
Yared, Glauco Ferreira Gazel
Costa, Fabrício Javier Erazo
Palavras-chave: Interface cérebro-máquina
Imaginação - movimentos
Modelagem
Data do documento: 2022
Referência: COSTA, Jefferson da Silva. Análise do desempenho de técnicas multiclasse de extração de características em interfaces cérebro máquina ativadas por imaginação de movimento. 2022. 71 f. Monografia (Graduação em Engenharia Elétrica) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2022
Resumo: Interfaces Cérebro Máquina (ICMs) são sistemas que permitem o controle de dispositivos externos à partir de sinais adquiridos da atividade cerebral. Neste trabalho, foram avaliados os impactos da etapa de seleção de características e de quatro abordagens de extração de características pelo método de Padrões Espaciais Comuns com aplicação de Banco de Filtros (FBCSP do inglês Filter Bank Common Spatial Patterns), no desempenho da discriminação entre quatro classes de Imaginação de Movimento (IM) de 9 Indivíduos. Os conjuntos de características para abordagens FBCSP por Diagonalização Simultânea (FBCSP DS), FBCSP Dividir e Conquistar (FBCSP DC), FBCSP Par a Par (FBCSP PW do inglês Pairwise) e FBCSP Um versus Resto (FBCSP OxR do inglês One versus Rest) foram extraídos de trechos segmentados de 4.5 s e filtrados na faixa de 4-40 Hz por filtros Butterworth de ordem 4 com 4 Hz de largura de banda. Para os métodos FBCSP DC, PW e OxR, é proposta a concatenação das características binárias (modelos independentes) extraídas das combinações específicas de classes propostas em cada abordagem para a criação de um modelo único. O método de seleção de características por Mínima Redundância e Máxima Relevância foi utilizado para selecionar conjuntos ótimos de atributos. Os coeficientes kappa para os métodos clássicos FBCSP DC, PW e OxR foram 0.52, 0.572 e 0.569, respectivamente, enquanto que para as abordagens propostas FBCSP DS, DC, PW e OxR foram de 0.5761, 0.6161, 0.6489 e 0.6295, respectivamente. Os métodos propostos apresentaram uma significativa redução no conjunto de características utilizadas para modelagem selecionando, em média, 46% destas. Os resultados deste trabalho, sugerem um aumento no desempenho (coeficiente kappa), e uma diminuição no conjunto de características utilizadas. Portanto, as técnicas apresentadas poderiam ser utilizadas para implementar ICMs multiclasse.
Resumo em outra língua: Brain Computer Interfaces (BCI) are systems that allow users to control external devices through signals acquired from brain activity. In this work, we evaluated the impact of the feature selection step and four different approaches to the Filter Bank Common Spatial Pattern method (FBCSP) on the BCI system's performance of 9 subjects to discriminate between four Motor Imagery (MI) classes. The feature sets for the FBCSP Joint Diagonalization (FBCSP DS), FBCSP Divide and Conquer (FBCSP DC), FBCSP Pairwise (FBCSP PW) and FBCSP One versus Rest (FBCSP OxR) approaches were extracted from segments with 4.5 s duration and filtered with Butterworth filters (4-40 Hz with order 4 and 4 Hz bandwidth). For the FBCSP DC, PW and OxR approaches, we propose to concatenate the binary feature sets (independent models) extracted from the particular combination of classes, resulting in a single model for each method. The feature selection method Minimum Redundancy and Maximal Relevancy (mRMR) was applied to select an optimal attribute subset. The kappa coefficients for the classical methods FBCSP DC, PW and OxR were 0.52, 0.572 and 0.569, respectively, and for the proposed methods FBCSP DS, DC, PW and OxR resulted in 0.5761, 0.6161, 0.6489 and 0.629, respectively. The feature selection step significantly reduced the number of features used to estimate the models, selecting on average 46% of attributes. This study suggests an improvement in performance (kappa coefficient) and a reduction of the feature subsets. Therefore, the presented methods could be applied to a multiclass BCI implementation.
URI: http://www.monografias.ufop.br/handle/35400000/4148
Aparece nas coleções:Engenharia Elétrica - JMV

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_AnáliseDesempenhoTécnicas.pdf9,2 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons