Estudo de biopotenciais cerebrais para identificação de movimentos do humano

Carregando...
Imagem de Miniatura
Citações na Scopus
Tipo de produção
Dissertação
Data
2014
Autores
Caracillo, R. C.
Orientador
Castro, M. C. F.
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
CARACILLO, R. C. Estudo de biopotenciais cerebrais para identificação de movimentos do humano. 2014. 172 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário da Fei, São Bernardo do Campo, 2014 Disponível em: . Acesso em: 22 maio 2014.
Texto completo (DOI)
Palavras-chave
Vetores-Controle,Análise discriminante linear
Resumo
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).
This research aims to explore brain activity through electroencephalogram (EEG), with the goal to identify a robust data source that requires less effort from assistive technology users when handling these systems. The motor activities, objects of this research, are flexion of the arms and closing of the hands. The study was conducted using EEG data acquired from three volunteers while performing a sequence of four movements with their upper limbs. The electrical potential was measured by twelve electrodes arranged according to the 10-20 standard pattern, which provided eight unconventional potential differences to the amplification and digitalization system, which, in turn, sampled data at 1000 Hz frequency. The digitalized data was submitted to digital signal processing techniques to determine the Mean Potential Spectral Density ( ) of seven frequency bands that have been presented to classifiers based on Linear Discriminant Analysis and Support Vector Machines, both combined or not with Principal Component Analysis. Movement s phases were split into planning, execution and steady position to compose 1 s and 2 s data vectors that, combined with Spatial Feature Selection, allowed to demonstrate that the best classification rates are obtained from planning phase data, followed by steady position data. To segment the phases of movement from data vectors with 1 and 2 s of duration was a challenge because, beside Potential Spectral Density (PSD) low resolution due to short signal duration in comparison with its frequencies components, it resulted in overlapping of data from different movement phases, which makes harder the work of classifiers. Additionally, Spatial Feature Selection indicated that non-motor areas worked as information source, suggesting that they should also be considered. It has also been observed that this technique provided particular outcomes for each volunteer, proving that the configuration of brain functions can vary widely among individuals. The experiments showed that frequencies above those usually used can also provide useful information to the classifiers. Insofar as increasing the maximum frequency of the EEG from 40 to 80 Hz, a slight improvement in the average classification rates could be observed. The Best classification rate obtained in the experiments, for one particular volunteer, was 90.4% when distinguishing between hands and arms, regardless of being left or right ones, and to distinguish among four classes, a hard task when comparing with the literature, the classification rate was 78.8%. Considering all best classification rates through all the experiments, planning phase was the one that leaded to this result in 80% of the cases. These results suggest that it is possible to use EEG signals from movement planning phase to anticipate subject´s intentions and improve a Brain Computer Interface system (BCI) classification speedy and precision.