Técnicas para Extração de Características de Sinais EEG e EMG
##plugins.themes.bootstrap3.article.main##
Resumo
Com o avanço nas áreas de Reconhecimento de Padrões, Processamento de Sinais e Neuroengenharia, tornou-se possível a concepção de sistemas que realizem a interação de humanos com máquinas de maneira natural. A partir da análise de sinais biológicos, podem-se extrair informações que possibilitem a realização de tarefas cujas pessoas com determinadas deficiências teriam dificuldade, ou até mesmo seriam impossibilitadas de fazê-las. A Interface Cérebro-Máquina (ICM) utiliza sinais cerebrais para controlar dispositivos externos através da tradução desses sinais em comandos. A ICM tem grande utilidade no auxílio de pessoas com os mais diversos tipos de deficiências. Segundo Silveira (2013), “Entre as formas mais comuns da aquisição de biosinais elétricos, destacam-se: Eletromiograma (EMG), Eletrocardiograma (ECG), Eletrocorticografia (ECOG), Eletroencefalografia (EEG)”. Foi realizada uma análise da importância temporal, espacial e combinacional de sinais cerebrais e musculares, através do uso de técnicas inteligentes para a classificação de tarefas imaginadas e avaliou-se o uso de diferentes técnicas para extração de características de sinais EEG e EMG. A estrutura foi em duas etapas. Etapa 1: Análise de sinais temporais. Etapa 2: Técnicas de extração de características. Os métodos de extração mais usados são o Potencial de Banda e o CSP. O CSP é uma técnica que encontra a matriz de projeção comum dos sinais e decompõe-na em diferentes classes de sinais, e tem variações com objetivos distintos, como o Padrão Espectro Espacial Comum – CSSP, Sub-Banda CSP – SBCSP, Banco de Filtro CSP – FBCSP, Espectralmente Ponderado CSP – SWCSP. O Potencial de Banda faz uma estimação da distribuição da força do sinal em faixas de frequência pré-definidas. Os métodos de classificação são divididos em três grupos: Classificadores Discriminantes Lineares, Redes Neurais Artificiais e Bayesianos Não-Lineares. Os Classificadores Discriminantes Lineares são geralmente mais robustos que os Não-Lineares, porque a classificação linear tem poucos parâmetros para serem ajustados e portanto menos problema para refinação. O Modelo de Mistura Gaussiana (GMM) é um classificador do tipo Bayesiano Não-Linear. O método assume que cada classe dos dados classifica um vetor de características usando as regras Bayesianas. Para identificar qual movimento o paciente executou, é necessário processar os sinais cerebrais. Foi feita uma revisão da literatura, analisando e pesquisando artigos, a fim de encontrar uma combinação com boas taxas de precisão de identificação do comando. A melhor combinação foi entre o método de extração de características Banco de Filtro CSP (FBCSP) e o método de classificação Modelo de Mistura Gaussiana (GMM). Palavras-chave: Eletroencefalografia (EEG); Eletromiograma (EMG); Classificação; Interface Cérebro-Máquina (ICM).
Downloads
Não há dados estatísticos.
##plugins.themes.bootstrap3.article.details##
Edição
Seção
Engenharia da Computação e Sistemas
Referências
IBGE Dados Estatísticos sobre deficiências no Brasil. 2010. Acesso em: 10 nov. 2015. Disponível em: .
SILVEIRA, J. A. Análise de Sinais Cerebrais Utilizando Árvores de Decisão. Dissertação, Universidade Federal do Rio Grande, 2013.
SILVEIRA, J. A. Análise de Sinais Cerebrais Utilizando Árvores de Decisão. Dissertação, Universidade Federal do Rio Grande, 2013.