dc.creator |
COSTA, William Henrique Pereira |
|
dc.date.issued |
2023-07-27 |
|
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/3867 |
|
dc.description.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. |
pt_BR |
dc.language |
por |
pt_BR |
dc.publisher |
Universidade Federal de Itajubá |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.subject |
Eletroencefalograma |
pt_BR |
dc.subject |
Imaginação motora |
pt_BR |
dc.subject |
Processamento de biossinais |
pt_BR |
dc.subject |
Machine learning |
pt_BR |
dc.subject |
Deep learning |
pt_BR |
dc.title |
Classificação multiclasse de sinais de eletroencefalograma para tarefas de imaginação motora utilizando processamento estatístico de sinais e deep learning |
pt_BR |
dc.type |
Dissertação |
pt_BR |
dc.date.available |
2023-08-03 |
|
dc.date.available |
2023-08-03T19:45:36Z |
|
dc.date.accessioned |
2023-08-03T19:45:36Z |
|
dc.creator.Lattes |
http://lattes.cnpq.br/2313807461572269 |
pt_BR |
dc.contributor.advisor1 |
SILVA, Luiz Eduardo Borges da |
|
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/8514450520201861 |
pt_BR |
dc.description.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. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
pt_BR |
dc.publisher.program |
Programa de Pós-Graduação: Mestrado - Engenharia Elétrica |
pt_BR |
dc.publisher.initials |
UNIFEI |
pt_BR |
dc.subject.cnpq |
CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA |
pt_BR |
dc.relation.references |
COSTA, William Henrique Pereira. Geração fotovoltaica: análise dos fatores de influência em função do planejamento de experimentos (DoE). 2023. 80 f. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal de Itajubá, Itajubá, 2023. |
pt_BR |