Bibliographic Details
Main Author: |
Silveira, Gustavo Fraga Millen da |
Publication Date: |
2017 |
Format: |
Master thesis
|
Language: |
por |
Source: |
Repositório Institucional da UFRJ |
Download full: |
http://hdl.handle.net/11422/7850
|
Summary: |
A classificação de atividade motora baseada no Eletroencefalograma (EEG) tem sido amplamente estudada para auxiliar em aplicações de interfaces cérebro-máquina (ICMs). Classificar atividades motoras provenientes de mesmo membro corporal tem se mostrado um desafio, devido à representação espacial dessas atividades em locais próximos no córtex motor. Medidas de conectividade cerebral, tais como a Função de Transferência Direcionada (DTF) e a Coerência Direcionada Parcial (PDC), têm sido propostas para estimar os padrões de fluxo de informação no córtex durante a execução de diferentes tarefas motoras. O objetivo deste trabalho é investigar a DTF e a PDC como características para classificar, utilizando Redes Neurais Artificais (ANN), a atividade motora de mesmo segmento de membro, bem como sua imaginação e observação. Os sinais de EEG de 12 indivíduos destros saudáveis foram coletados na tarefa de flexão e extensão de cotovelo seguindo um braço robótico como se fosse um espelho do seu próprio braço. A DTF e a PDC foram calculadas e comparadas estatisticamente em dois momentos: de um segundo antes da tarefa até seu início e do início da tarefa até dois segundos e meio depois. Foram encontradas diferenças significativas tanto para DTF quanto para PDC nos ritmos beta e gama do EEG. Finalmente, a DTF e PDC foram aplicadas separadamente como características em ANNs para classificar entre a imaginação, movimento e observação da flexão e extensão de cotovelo, e também a situação de repouso. O maior valor de acurácia encontrado utilizando a DTF foi de 90.6% no ritmo gama e utilizando a PDC foi de 97.0% no ritmo beta. |