Use este identificador para citar ou linkar para este item:
https://repositorio.unifei.edu.br/jspui/handle/123456789/3867
Tipo: | Dissertação |
Título: | Classificação multiclasse de sinais de eletroencefalograma para tarefas de imaginação motora utilizando processamento estatístico de sinais e deep learning |
Autor(es): | COSTA, William Henrique Pereira |
Primeiro Orientador: | SILVA, Luiz Eduardo Borges da |
Resumo: | Interesses de pesquisa: A classificação eficiente dos sinais de eletroencefalograma (EEG) é fundamental para a construção de sistemas com interface cérebro-computador. No entanto, a complexidade dos sinais de EEG e sua variabilidade entre indivíduos apresentam desafios significativos para a classificação precisa. Este estudo tem relevância social, pois pode contribuir para o desenvolvimento de interfaces cérebro-computador assistivas, beneficiando pessoas com severos danos motores, como aquelas que sofreram acidente vascular cerebral (AVC). Essas interfaces têm o potencial de melhorar a qualidade de vida desses indivíduos, permitindo a comunicação e o controle de dispositivos através da atividade cerebral. Objetivos: Este estudo teve como objetivo comparar o desempenho e o custo computacional de uma rede neural artificial utilizando diferentes técnicas de processamento de sinal na classificação de estados de repouso e imaginação do movimento do punho esquerdo e direito a partir de sinais de EEG. Foram exploradas três técnicas estatísticas de processamento de sinais: Análise de Componentes Principais (PCA), Análise de Componentes Independentes (ICA) e Análise Espectral Singular (SSA), em conjunto com uma Rede Neural Convolucional (CNN). Resultados obtidos: Os resultados obtidos revelaram que a técnica de PCA proporcionou uma redução no tempo de treinamento de até 63,5%, sem comprometer significativamente o desempenho em termos de acurácia na classificação. A PCA demonstrou ser uma abordagem promissora, permitindo a captura de informações relevantes nos sinais de EEG e aprimorando a capacidade da CNN em realizar a classificação com precisão. Por outro lado, as técnicas de ICA e SSA não apresentaram resultados promissores. A ICA teve efeitos negativos na extração de características, resultando em uma diminuição na acurácia da classificação realizada pela CNN. A SSA, por sua vez, mostrou um desempenho geralmente baixo em todas as métricas avaliadas, indicando uma dificuldade em capturar as informações discriminativas presentes nos sinais de EEG-IM. |
Abstract: | Research Interests: Efficient classification of electroencephalogram (EEG) signals is crucial for the development of brain-computer interface systems. However, the complexity and variability of EEG signals pose significant challenges for accurate classification. Additionally, this study has social relevance as it can contribute to the development of assistive brain-computer interfaces, benefiting individuals with severe motor impairments, such as those who have experienced a stroke. These interfaces have the potential to improve the quality of life for these individuals by enabling communication and device control through brain activity. Objectives: This study aimed to compare the performance and computational cost of an artificial neural network using different signal processing techniques for the classification of resting state and left/right wrist movement imagination states from EEG signals. Three statistical signal processing techniques, Principal Component Analysis (PCA), Independent Component Analysis (ICA), and Singular Spectrum Analysis (SSA), were explored in conjunction with a Convolutional Neural Network (CNN) to enhance the classification of EEG signals. Results Obtained: The results revealed that the PCA technique led to a reduction in training time of up to 63.5% without significantly compromising performance in terms of classification accuracy. PCA proved to be a promising approach, capturing relevant information from the EEG signals and improving the CNN’s ability to classify accurately. On the other hand, both ICA and SSA techniques did not yield promising results. ICA had negative effects on feature extraction, resulting in decreased classification accuracy by the CNN. SSA, on the other hand, showed consistently low performance across all evaluated metrics, indicating challenges in capturing discriminative information from the EEG-IM signals. |
Palavras-chave: | Eletroencefalograma Imaginação motora Processamento de biossinais Machine learning Deep learning |
CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Itajubá |
Sigla da Instituição: | UNIFEI |
metadata.dc.publisher.department: | IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
metadata.dc.publisher.program: | Programa de Pós-Graduação: Mestrado - Engenharia Elétrica |
Tipo de Acesso: | Acesso Aberto |
URI: | https://repositorio.unifei.edu.br/jspui/handle/123456789/3867 |
Data do documento: | 27-Jul-2023 |
Aparece nas coleções: | Dissertações |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertação_2023097.pdf | 4,88 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.