Inteligência Artificial Aplicada à Automação e Robótica
URI Permanente desta comunidade
Navegar
Navegando Inteligência Artificial Aplicada à Automação e Robótica por Autor "Castro, M. C. F."
Agora exibindo 1 - 2 de 2
Resultados por página
Opções de Ordenação
Dissertação Desenvolvimento e avaliação clínica de neurotim:uma neuroprótese ativada por EMG(2019) Argentim, Lucas MalassiseDissertação Estudo de biopotenciais cerebrais para identificação de movimentos do humano(2014) Caracillo, R. C.Esta pesquisa visa explorar a atividade cerebral, por meio do Eletroencefalograma (EEG), com o objetivo de identificar uma fonte de dados robusta e que demande menor esforço por parte dos usuários de tecnologias assistivas na utilização desses sistemas. As atividades motoras, objeto de estudo desta pesquisa, são os movimentos de flexão dos braços e os movimentos de abertura das mãos. O estudo foi realizado a partir dos dados eletroencefalográficos adquiridos de três voluntários durante a realização de uma sequência de quatro movimentos com os membros superiores. O potencial elétrico cerebral foi mensurado por meio de doze eletrodos, dispostos segundo o padrão 10-20, que forneceram oito diferenças de potenciais não convencionais a um sistema de amplificação e digitalização, o qual, por sua vez, amostrou os dados com uma frequência de 1000 Hz. Os dados digitalizados foram submetidos a técnicas de processamento de sinais para a determinação da Potência Espectral Média por Faixas de Frequência ( ) e posteriormente submetida a classificadores baseados em Análise de Discriminantes Lineares e em Máquina de Vetores de Suporte, ambos combinados ou não com Análise de Componentes Principais. Os movimentos foram segmentados nas fases de planejamento, execução e posição estática para compor vetores de dados de 1 s e 2 s que, combinados com Seleção Espacial de Características, permitiram demonstrar que as melhores taxas de classificação são obtidas, na maioria dos casos, com os dados da fase de planejamento do movimento, seguidas pelos dados da posição estática. Segmentar as fases do movimento dentro de vetores de dados com 1 e 2 s de duração foi um grande desafio, pois, além de resultar em baixa resolução da Densidade Espectral de Potência (PSD) devido a curta duração do sinal em relação às frequências envolvidas, implicou na sobreposição de dados das diferentes fases do movimento, o que dificulta o trabalho dos classificadores. Adicionalmente, a Seleção Espacial de Características indicou que áreas não motoras atuaram como fontes de informação, sugerindo que também devem ser consideradas. Também se observou que essa técnica apresenta resultados particulares a cada voluntário, mostrando que a configuração das funções cerebrais varia amplamente entre indivíduos e que há informação útil aos classificadores em frequências acima daquelas usualmente utilizadas nos experimentos. Na medida em que se aumentou a frequência máxima do EEG de 40 a 80 Hz, pode-se constatar uma discreta melhora na taxa média de acerto dos classificadores. A melhor taxa de classificação obtida nos experimentos, para um voluntário específico, foi 90,4%, para distinguir entre mãos e braços, independentes de serem do lado direito ou do lado esquerdo, e na discriminação entre quatro classes, um cenário difícil quando comparado com a literatura, obteve-se 78,8% de taxa de acerto no melhor caso. Considerando-se as melhores taxas de classificação entre todos os experimentos, a fase de planejamento foi aquela que levou a esse resultado em 80% das vezes. Esses resultados sugerem que é possível usar sinais de EEG da fase de planejamento do movimento para melhorar a velocidade de classificação e precisão de um sistema de Interface Computador Cérebro (BCI).