Use este identificador para citar ou linkar para este item:
http://www.monografias.ufop.br/handle/35400000/5019
Registro completo de metadados
Campo Dublin Core | Valor | Idioma |
---|---|---|
dc.contributor.advisor | Leite, Sarah Negreiros de Carvalho | pt_BR |
dc.contributor.advisor | Leite, Harlei Miguel de Arruda | pt_BR |
dc.contributor.author | Azevedo, Larissa Rangel de | - |
dc.date.accessioned | 2022-12-22T19:54:52Z | - |
dc.date.available | 2022-12-22T19:54:52Z | - |
dc.date.issued | 2022 | pt_BR |
dc.identifier.citation | AZEVEDO, Larissa Rangel de. Aplicação de técnicas de deep learning em sinais cerebrais. 2022. 38 f. Monografia (Graduação em Engenharia Elétrica) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2022. | pt_BR |
dc.identifier.uri | http://www.monografias.ufop.br/handle/35400000/5019 | - |
dc.description.abstract | Interfaces-cérebro computador (BCI) são sistemas que permitem realizar uma comunicação direta entre o cérebro do usuário e uma máquina. Neste trabalho, foi estudada a abordagem de BCI baseada em potenciais evocados visualmente em regime estacionário (SSVEP). Todas as etapas de processamento de sinais de uma BCI-SSVEP (filtragem, extração de características e classificação) foram implementadas. O enfoque do trabalho foi avaliar o impacto de técnicas de classificação no desempenho do sistema BCI. Para isso, três abordagens distintas de discriminação foram testadas: (1) classificador linear baseado no método dos mínimos quadrados que forneceu desempenho médio de 47%, (2) rede neural convolucional usando extração de características pelo método da FFT e topologia de 2 camadas ocultas empregando kernel = 5 e função de ativação do tipo tangente hiperbólica, que forneceu desempenho médio de 87% e (3) rede neural convolucional com os dados brutos, eliminando a etapa de extração de características pelo método da FFT, nesta configuração, a rede tem sua topologia dependente dos dados EEG colocados na entrada, assim foi feito o tunelamento somente para o indivíduo 32 da base de dados, e obteve-se um desempenho de 81%. | pt_BR |
dc.language.iso | pt_BR | pt_BR |
dc.subject | Aprendizado de máquina | pt_BR |
dc.subject | Interface cérebro-computador | pt_BR |
dc.subject | Potencial evocado | pt_BR |
dc.subject | Redes Neurais | pt_BR |
dc.title | Aplicação de técnicas de deep learning em sinais cerebrais. | pt_BR |
dc.type | TCC-Graduação | pt_BR |
dc.contributor.referee | Leite, Sarah Negreiros de Carvalho | pt_BR |
dc.contributor.referee | Leite, Harlei Miguel de Arruda | pt_BR |
dc.description.abstracten | Brain-Computer Interfaces (BCI) are systems that allow direct communication between the user’s brain and a machine. In this work, the BCI approach based on steady-state visually evoked potentials (SSVEP) was studied. All signal processing steps of a BCI SSVEP (pre-processing, feature extraction and classification) were implemented. The focus of this work was to evaluate the impact of ranking techniques on the performance of the BCI system. To this end, three different discrimination approaches were tested: (1) linear classifier based on least squares method that provided an average performance of 47%, (2) convolutional neural network with 2 hidden layers employing kernel = 5 and hyperbolic tangent as activation function and feature extraction, which provided an average performance of 87% and (3) convolutional neural network with the raw data, eliminating the feature extraction step, in this configuration, the network has its topology dependent on the EEG data placed in the input, so it was tunneling was performed only for individual 32 of the database, and a performance of 81% was obtained. | pt_BR |
dc.contributor.authorID | 16.2.8471 | pt_BR |
Aparece nas coleções: | Engenharia Elétrica - JMV |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
MONOGRAFIA_AplicaçãoTécnicasDeep.pdf | 2,65 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciado sob uma Licença Creative Commons