Técnicas para Extração de Características de Sinais EEG e EMG

##plugins.themes.bootstrap3.article.main##

Caio Silva
Diego Millan

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##

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.