| dc.contributor.advisor | Spindola, Marilda Machado | |
| dc.contributor.author | Mussi, Matheus Gonçalves | |
| dc.contributor.other | Adami, André Gustavo | |
| dc.contributor.other | Marques, Patric Janner | |
| dc.date.accessioned | 2019-03-30T15:57:33Z | |
| dc.date.available | 2019-03-30T15:57:33Z | |
| dc.date.issued | 2018-12-15 | |
| dc.date.submitted | 2018-12-15 | |
| dc.identifier.uri | https://repositorio.ucs.br/11338/4481 | |
| dc.description | Pessoas que sofrem de traumas e patologias como o derrame e a paralisia ou que possuem membros amputados, apesar de terem limitações motoras, possuem capacidade de comando cerebral que pode ser utilizada para assisti-las nas suas atividades diárias. Para estudar essa possibilidade, sinais cerebrais de participantes voluntários são coletados em um experimento planejado com equipamento de Eletroencefalografia (EEG). São realizados todos os processos de orientação e aplicação dos eletrodos no escalpo dos participantes. Os biossinais gerados de Motor Imagery (MI) são coletados em baterias de testes, realizadas em dias distintos, que são armazenados em uma base de dados. Esta base de dados é processada e convertido, pela Transformada de Wavelet Contínua (CWT) de Morlet, em imagens. As frequências theta (4 a 8Hz), alfa (8 a 13Hz) e beta (14 a 30) são bandas significativas para o MI. Portanto, as imagens são tratadas para conterem informações de 4 a 35Hz. São estudados os efeitos de dois tamanhos de janela do sinal, com 250 e com 750 amostras. Esta base de imagens é tratado e nele é aplicado uma Rede Neural Convolucional (CNN) com camadas convolucionais unidimensionais de frequência para classificação. Por fim, quatro métodos de avaliação pautam os resultados: o método de Leave-One-Subject-Out Cross Validation (LOSOCV) é o método que avalia a transferência de características de indivíduo para indivíduo, o de Holdout testa os padrões de biossinais em todo a base, o teste individual examina a capacidade do modelo de adaptar-se aos dados de cada indivíduo, e a comparação de ensaios de MI com ensaios motores afere se existe alguma similaridade entre os biossinais de MI e os biossinais gerados pelo cérebro durante o movimento. Pode-se verificar que a utilização da janela de 3s para os dados com baseline permitiu um aumento relativo de acurácia de 2.3% no método de LOSOCV, 9.3% no teste individual e 13.8% no método de Holdout (sic). | pt_BR |
| dc.description.abstract | People that suffer from traumas and pathologies like stroke and paralysis or that have ampu- tated limbs, although having motor limitations, possess capacity to generate brain commands which may assist them on daily activities. In order to study this possibility, brain signals from voluntieers are colected on a planned experiment with Electroencephalography (EEG). Partic- ipants are instructed and electrodes are applied to their scalp. Motor Imagery (MI) biosignals are colected in test sets, applied at different days, and stored in a small dataset. This dataset is processed and converted, through the Continuous Wavelet Transform (CWT) with Morlet, to images. Theta (4 to 8Hz), alpha (8 to 13Hz) and beta (14 to 30Hz) are significant frequency bands for MI. Therefore, images are treated so they contain information from 4 to 35Hz. The effects of two window sizes are studied, with 250 samples and 750 samples. The Images dataset is processed and a Convolutional Neural Network (CNN) is applied with 1-D frequency-wise convolutional layers for classification. Lastly four evaluation methodologies rule the results: the Leave-One-Subject-Out Cross Validation (LOSOCV) measures the individual-to-individual characteristics transference, the Holdout method tests the patterns in biosignals whitin the whole dataset, the individual test examinates the model capacity to fitting for individual data and the comparison between MI sessions and motor sessions assesses if there is any similarity between MI biosignals and biosignals generated by the brain during moviment. It is possible to verify that the application of a 3s window at the baseline data allows a relative accuracy increase of 2.3% using LOSOCV method, 9.3% using the individual test and 13.8% using the Holdout method (sic). | pt_BR |
| dc.language.iso | pt | pt_BR |
| dc.subject | Eletroencefalografia | pt_BR |
| dc.subject | Redes neurais (Computação) | pt_BR |
| dc.title | Classificação de biossinais de Motor Imagery coletados por EEG processados em tempo-frequência com redes neurais convolucionais | pt_BR |
| dc.type | Monografia | pt_BR |
| mtd2-br.advisor.instituation | Universidade de Caxias do Sul | pt_BR |
| mtd2-br.program.name | Bacharelado em Engenharia de Controle e Automação | pt_BR |
| mtd2-br.campus | Campus Universitário de Caxias do Sul | pt_BR |
