Classificação de imagética motora em sinais eletroencefalográficos: uma abordagem baseada em interface cérebro máquina e aprendizagem profunda

Detalhes bibliográficos
Autor(a) principal: Lima, Camila Tiodista de
Data de Publicação: 2023
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional do IFPE
Texto Completo: https://repositorio.ifpe.edu.br/xmlui/handle/123456789/1150
Resumo: Pacientes com traumas neurológicos ou portadores de deficiências motoras podem ter sua qualidade de vida melhorada com dispositivos assistidos controlados por interfa- ces cérebro-máquina que interpretam sinais de eletroencefalograma para predição de movimentos imaginários. O objetivo do presente Trabalho de Conclusão de Curso é desenvolver protótipos baseados em arquiteturas de redes neurais profundas para a extração de características, selecionar automaticamente os atributos mais relevantes através de algoritmos baseados em Computação Evolucionária e construir uma má- quina de aprendizado para classificação de sinais imaginados. Foi utilizada a base de dados BCI Competition IV 2a. A partir de resultados da literatura, o primeiro expe- rimento foi realizado com o terceiro indivíduo, nele foram testadas 12 configurações, os extratores de características: descritores explícitos, InceptionV3 e VGG16, combi- nados aos classificadores: J48, RF100, RF500 e SVM. A melhor configuração foi a VGG16+RF500 que foi aplicada a todos os indivíduos com o objetivo de identificarmos o melhor indivíduo para nosso contexto. Para nosso problema, o indivíduo com melhor desempenho foi o segundo, com ele foi realizada a extração de características com o Algoritmo Genético e a Otimização por Enxames de Partículas, sendo o segundo mais eficiente e com resultados de classificação superiores. Por fim, foi comparado o de- sempenho do sistema com e sem a seleção de características, o que resultou em uma redução em três vezes do tempo de treinamento e manutenção da acurácia média em torno de 75%. Dessa forma, os objetivos propostos foram alcançados e novos testes deverão ser realizados em trabalhos futuros.
id IFPE_d563654e9064c1ffe43371f826f4344a
oai_identifier_str oai:repositorio.ifpe.edu.br:123456789/1150
network_acronym_str IFPE
network_name_str Repositório Institucional do IFPE
repository_id_str
spelling 2024-01-19T19:01:50Z2024-01-19T19:01:50Z2023-12-05LIMA, Camila Tiodista de ; OLIVEIRA, Bruno Gomes Moura de ; SANTOS, Wellington Pinheiro dos. Classificação de imagética motora e sinais eletroencefalográficos: uma abordagem baseada em interface cérebro máquina e aprendizagem profunda. 26 f. Artigo (Bacharelado em Engenharia Elétrica) Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco, Pesqueira, 2023.https://repositorio.ifpe.edu.br/xmlui/handle/123456789/1150Pacientes com traumas neurológicos ou portadores de deficiências motoras podem ter sua qualidade de vida melhorada com dispositivos assistidos controlados por interfa- ces cérebro-máquina que interpretam sinais de eletroencefalograma para predição de movimentos imaginários. O objetivo do presente Trabalho de Conclusão de Curso é desenvolver protótipos baseados em arquiteturas de redes neurais profundas para a extração de características, selecionar automaticamente os atributos mais relevantes através de algoritmos baseados em Computação Evolucionária e construir uma má- quina de aprendizado para classificação de sinais imaginados. Foi utilizada a base de dados BCI Competition IV 2a. A partir de resultados da literatura, o primeiro expe- rimento foi realizado com o terceiro indivíduo, nele foram testadas 12 configurações, os extratores de características: descritores explícitos, InceptionV3 e VGG16, combi- nados aos classificadores: J48, RF100, RF500 e SVM. A melhor configuração foi a VGG16+RF500 que foi aplicada a todos os indivíduos com o objetivo de identificarmos o melhor indivíduo para nosso contexto. Para nosso problema, o indivíduo com melhor desempenho foi o segundo, com ele foi realizada a extração de características com o Algoritmo Genético e a Otimização por Enxames de Partículas, sendo o segundo mais eficiente e com resultados de classificação superiores. Por fim, foi comparado o de- sempenho do sistema com e sem a seleção de características, o que resultou em uma redução em três vezes do tempo de treinamento e manutenção da acurácia média em torno de 75%. Dessa forma, os objetivos propostos foram alcançados e novos testes deverão ser realizados em trabalhos futuros.Patients with neurological trauma or people with motor disabilities can have their quality of life improved with assisted devices controlled by brain-machine interfaces that inter- pret electroencephalogram signals to predict imaginary movements. The objective of this final project of the course is to develop prototypes based on deep neural network architectures for cleaning features, automatically selecting the most relevant attributes through algorithms based on Evolutionary Computing and building a learning machine for classifying imagined signals. The BCI Competition IV 2a database was used. Ba- sed on the literature results, the first experiment was carried out with the third individual, 12 configurations were tested, the feature extractors: explicit descriptors, InceptionV3 and VGG16, combined with the classified ones: J48, RF100, RF500 and SVM. The best configuration was VGG16+RF500, which was applied to all individuals with the aim of identifying the best individual for our context. For our problem, the individual with the best performance was the second, with him the deterioration of characteristics was car- ried out with the Genetic Algorithm and Particle Swarm Optimization, the second being more efficient and with superior classification results. Finally, the performance of the system was compared with and without feature selection, which resulted in a three-fold reduction in training time and maintenance of average accuracy at around 75%. In this way, the proposed objectives were achieved and new tests should be carried out in future projects.26 p.ALMEIDA, Wallace Faveron de. Técnicas de aprendizado de máquina para interfaces cérebro-computador baseadas em EEG. 2021. Diss. (Mestrado) – Universidade de São Paulo. ANANTHRAM, Aditya. Random Initialization For Neural Networks: A Thing Of The Past. [S.l.: s.n.], 2018. Disponível em: https://towardsdatascience.com/random-initialization-for-neural-networks- a-thing-of-the-past-bfcdd806bf9e. Acesso em: 06 de novembro de 2023. ANG, Kai Keng et al. Filter Bank Common Spatial Pattern Algorithm on BCI Competition IV Datasets 2a and 2b. Frontiers in Neuroscience, v. 6, 2012. AQUINO BRÍTEZ, Diego Ariel et al. Optimización multi-objetivo de arquitecturas de aprendizaje profundo para el procesamiento de señales EEG en plataformas de cómputo heterogéneas. 2022. Tese (Doutorado) – Universidad de Granada, Granada. ARAÚJO, Flávio H. D. et al. Redes Neurais Convolucionais com Tensorflow: Teoria e Prática. III Escola Regional de Informática do Piauí: Livros Anais - Artigos e Minicursos, 2017. BEAR, Mark F; CONNORS, Barry W; PARADISO, Michael A. Neurociências: desvendando o sistema nervoso. [S.l.]: Artmed editora, 2017. BLINOWSKA, Katarzyna; DURKA, Piotr. Electroencephalography (eeg). Wiley encyclopedia of biomedical engineering, Citeseer, 2006. BRUNNER, Clemens et al. BCI Competition 2008–Graz data set A. Institute for Knowledge Discovery (Laboratory of Brain-Computer Interfaces), Graz University of Technology, v. 16, p. 1–6, 2008. CARVALHO, André Ponce de Leon F. Redes Neurais Artificiais. [S.l.: s.n.], 2023. Disponível em: https://sites.icmc.usp.br/andre/research/neural/. Acesso em: 03 de novembro de 2023. COSTA, Renato Carrasco; OLIVEIRA, Vanessa Mendes. Um Estudo sobre Interface Cérebro-Computador. 2012. Monografia (Graduação) – Universidade de Brasília, Brasília. EBERHART R, Kennedy J. New optimizer using particle swarm theory. Proc Int Symp Micro Mach Hum Sci, p. 39–43, 1995. FARIAS, AL et al. ESTUDO SOBRE A OTIMIZAÇÃO POR ENXAME DE PARTÍCULAS (PSO-PARTICLE SWARM OPTIMIZATION). 18o Seminário de Pesquisa & Iniciação Científica, p. 58–62, 2020. FELTRIN, Fernando. Redes Neurais Artificiais. 1. ed. [S.l.]: Uniorg, 2020. FURTADO, Maria Inês Vasconcellos. Redes Neurais Artificiais: Uma Abordagem Para Sala de Aula. Ponta Grossa (PR): Atena, 2016. GOMES, Juliana Carneiro. ASTERI: representação de sinais de eletroencefalografia em imagens para utilização de arquiteturas profundas baseadas em CNN. 2023. Tese (doutorado em Engenharia da Computação) – UPE, Escola Politécnica, Recife. GOOGLECLOUD. Guia avançado do Inception v3. [S.l.: s.n.], 2023. Disponível em: https://cloud.google.com/tpu/docs/inception-v3-advanced?hl=pt-br. Acesso em: 13 de janeiro de 2024. GRAIMANN, Bernhard; ALLISON, Brendan; PFURTSCHELLER, Gert. Brain–computer interfaces: A gentle introduction. Brain-computer interfaces: Revolutionizing human-computer interaction, Springer, p. 1–27, 2010. IV, BCI Competition. Berlim: [s.n.], 2008. Disponível em: https://bbci.de/competition/iv/. Acesso em: 23 de dezembro 2023. LEE, Gregory et al. PyWavelets: A Python package for wavelet analysis. Journal of Open Source Software, The Open Journal, v. 4, n. 36, p. 1237, 2019. MARTINS, António Cardoso; MARQUES, MJ; COSTA, Paulo Dias. Estudo comparativo de três algoritmos de machine learning na classificação de dados electrocardiográficos. 2009. Diss. (Mestrado) – Universidade do Porto, Porto. MENDONÇA, Vivian L. Biologia: ecologia: origem da vida e biologia celular embriologia e histologia. 3. ed. São Paulo: Editora AJS, 2016. v. 1. MENOTTI, David. Árvores de Decisão. Paraná: UFPR, 2018. Disponível em: https://www.inf.ufpr.br/menotti/ci171-182/slides/ci171-arvoresdecisao.pdf. Acesso em: 11 de janeiro 2024. MOTA GOMES, Marleide da. Bases fisiológicas do eletroencefalograma. Revista Brasileira de Neurologia, v. 51, n. 1, 2015. MSD, Manual. Estrutura típica de um Neurônio. [S.l.: s.n.], 2023. Disponível em: https://www.msdmanuals.com/pt/casa/multimedia/figure/estrutura- t%C3%ADpica-de-um-neur%C3%B4nio. Acesso em: 16 de outubro 2023. NEUPER, Christa et al. Motor imagery and action observation: modulation of sensorimotor brain rhythms during mental control of a brain–computer interface. Clinical neurophysiology, Elsevier, v. 120, n. 2, p. 239–247, 2009. NORONHA, Daniel H; FERNANDES, Marcelo AC. Implementaçao em fpga de máquina de vetores de suporte (svm) para classificaçao e regressao. XIII Encontro Nacional de Inteligência Artificial e Computacional-ENIAC, 2016. OLIVEIRA JUNIOR, Gilson Medeiros. Máquina de Vetores Suporte: estudo e análise de parâmetros para otimização de resultado. 2010. Monografia (Graduação) – Universidade Federal de Pernambuco, Recife. OTONI, Julliano da Silva. Desenvolvimento de um aparelho de eletroencefalografia mobile de baixo custo. 2019. Diss. (Mestrado) – Universidade Estadual Paulista ”Júlio de Mesquita Filho”, Instituto de Biociências de Botucatu. PACHECO, Marco Aurélio Cavalcanti. ALGORITMOS GENÉTICOS: PRINCÍPIOS E APLICAÇÕES. [S.l.: s.n.], 2004. ROHINI. Everything you need to know about VGG16. [S.l.]: Medium, 2021. https://medium.com/@mygreatlearning/everything-you-need-to-know-about-vgg16- 7315defb5918. SANTA CATARINA, Adair. INTRODUÇÃO À COMPUTAÇÃO EVOLUTIVA. [S.l.: s.n.], 2023. SANTANA, Maíra Araújo et al. Identificação automática de emoções a partir de sinais fisiológicos periféricos e centrais. Anais do V Simpósio de Inovação em Engenharia Biomédica - SABIO 2021, Recife, p. 39–46, 2021. SAPUTRA, Muhammad Fawaz; SETIAWAN, Noor Akhmad; ARDIYANTO, Igi. Deep learning methods for EEG signals classification of motor imagery in BCI. IJITEE (International Journal of Information Technology and Electrical Engineering), v. 3, n. 3, p. 80–84, 2019. SILVA, Murilo Coutinho. Selecionador de Características para classificação de sinais de EEG e construção de Interfaces Cérebro-Máquina. 2012. Diss. (Mestrado) – Universidade de Brasília, Brasília. SILVA, Rui Filipe Pinto Esteves. OTIMIZAÇÃO DO CONSUMO DE ENERGIA POR RECURSO A TÉCNICAS DE COMPUTAÇÃO EVOLUCIONÁRIA. 2021. Diss. (Mestrado) – Universidade NOVA de Lisboa, Lisboa. TELOKEN, Alex et al. Estudo Comparativo entre os algoritmos de Mineração de Dados Random Forest e J48 na tomada de Decisão. Simpósio de Pesquisa e Desenvolvimento em Computação, v. 2, n. 1, 2016. TORTORA, Gerard J; DERRICKSON, Bryan. Princípios de anatomia e fisiologia. Traduzido por Ana Cavalcanti C. Botelho et al. Rio de Janeiro: Guanabara Koogan, 2016. v. 14. VARGAS, Dionathan Luan de. EXTRAÇÃO E SELEÇÃO DE CARACTERÍSTICAS DE SINAIS DE ELETROENCEFALOGRAMA PARA DIAGNÓSTICO DE CRISES EPILÉTICAS. 2022. Diss. (Mestrado) – Universidade Tecnológica Federal do Paraná, Pato Branco. VAZ, Yule. Extração de características para a classificação de imagética motora em interfaces cérebro-computador. 2016. Tese (Doutorado) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. VICENTE, Edrin. Sistema 10-20 para localizar alvos terapêuticos em EMT. [S.l.: s.n.], 2022. Disponível em: https://www.kandel.com.br/post/como-localizar- os-pontos-de-estimulacao-para-estimulacao-magnetica-transcraniana. Acesso em: 21 de outubro 2023.An error occurred on the license name.An error occurred getting the license - uri.info:eu-repo/semantics/openAccessENGENHARIAS::ENGENHARIA ELETRICAImagética MotoraEletroencefalograma (EEG)Traumas neurológicos - pacientesPessoas com deficiências motorasAprendizado ProfundoArquiteturas de Redes NeuraisClassificação de imagética motora em sinais eletroencefalográficos: uma abordagem baseada em interface cérebro máquina e aprendizagem profundainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisOliveira, Bruno Gomes Moura dehttp://lattes.cnpq.br/0748950597760777Santos, Wellington Pinheiro doshttp://lattes.cnpq.br/6413917211782026Batista, Ygo NetoGomes, Juliana Carneirohttp://lattes.cnpq.br/8634712936192571http://lattes.cnpq.br/4951733169700261http://lattes.cnpq.br/8949734765924856Lima, Camila Tiodista deBrasilPESQUEIRAporreponame:Repositório Institucional do IFPEinstname:Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)instacron:IFPEORIGINALClassificação de imagética motora e sinais eletroencefalográficos - uma abordagem baseada em interface cérebro máquina e aprendizagem profunda..pdfClassificação de imagética motora e sinais eletroencefalográficos - uma abordagem baseada em interface cérebro máquina e aprendizagem profunda..pdfapplication/pdf1957990https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1150/1/Classifica%c3%a7%c3%a3o%20de%20imag%c3%a9tica%20motora%20e%20sinais%20eletroencefalogr%c3%a1ficos%20-%20uma%20abordagem%20baseada%20em%20interface%20c%c3%a9rebro%20m%c3%a1quina%20e%20aprendizagem%20profunda..pdf28f8668199a5b307fcbbe65f399d7bf8MD51open accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-80https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1150/2/license_rdfd41d8cd98f00b204e9800998ecf8427eMD52open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1150/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53open accessTEXTClassificação de imagética motora e sinais eletroencefalográficos - uma abordagem baseada em interface cérebro máquina e aprendizagem profunda..pdf.txtClassificação de imagética motora e sinais eletroencefalográficos - uma abordagem baseada em interface cérebro máquina e aprendizagem profunda..pdf.txtExtracted texttext/plain50956https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1150/4/Classifica%c3%a7%c3%a3o%20de%20imag%c3%a9tica%20motora%20e%20sinais%20eletroencefalogr%c3%a1ficos%20-%20uma%20abordagem%20baseada%20em%20interface%20c%c3%a9rebro%20m%c3%a1quina%20e%20aprendizagem%20profunda..pdf.txtf8e16d6601d602c9193538f8191e058fMD54open accessTHUMBNAILClassificação de imagética motora e sinais eletroencefalográficos - uma abordagem baseada em interface cérebro máquina e aprendizagem profunda..pdf.jpgClassificação de imagética motora e sinais eletroencefalográficos - uma abordagem baseada em interface cérebro máquina e aprendizagem profunda..pdf.jpgIM Thumbnailimage/jpeg8976https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1150/5/Classifica%c3%a7%c3%a3o%20de%20imag%c3%a9tica%20motora%20e%20sinais%20eletroencefalogr%c3%a1ficos%20-%20uma%20abordagem%20baseada%20em%20interface%20c%c3%a9rebro%20m%c3%a1quina%20e%20aprendizagem%20profunda..pdf.jpgb4073deb7fc78c07a1c39a146ee22db9MD55open access123456789/11502024-01-20 03:01:02.551open accessoai:repositorio.ifpe.edu.br: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Repositório InstitucionalPUBhttps://repositorio.ifpe.edu.br/oai/requestrepositorioifpe@reitoria.ifpe.edu.bropendoar:2024-01-20T06:01:02Repositório Institucional do IFPE - Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)false
dc.title.pt_BR.fl_str_mv Classificação de imagética motora em sinais eletroencefalográficos: uma abordagem baseada em interface cérebro máquina e aprendizagem profunda
title Classificação de imagética motora em sinais eletroencefalográficos: uma abordagem baseada em interface cérebro máquina e aprendizagem profunda
spellingShingle Classificação de imagética motora em sinais eletroencefalográficos: uma abordagem baseada em interface cérebro máquina e aprendizagem profunda
Lima, Camila Tiodista de
ENGENHARIAS::ENGENHARIA ELETRICA
Imagética Motora
Eletroencefalograma (EEG)
Traumas neurológicos - pacientes
Pessoas com deficiências motoras
Aprendizado Profundo
Arquiteturas de Redes Neurais
title_short Classificação de imagética motora em sinais eletroencefalográficos: uma abordagem baseada em interface cérebro máquina e aprendizagem profunda
title_full Classificação de imagética motora em sinais eletroencefalográficos: uma abordagem baseada em interface cérebro máquina e aprendizagem profunda
title_fullStr Classificação de imagética motora em sinais eletroencefalográficos: uma abordagem baseada em interface cérebro máquina e aprendizagem profunda
title_full_unstemmed Classificação de imagética motora em sinais eletroencefalográficos: uma abordagem baseada em interface cérebro máquina e aprendizagem profunda
title_sort Classificação de imagética motora em sinais eletroencefalográficos: uma abordagem baseada em interface cérebro máquina e aprendizagem profunda
author Lima, Camila Tiodista de
author_facet Lima, Camila Tiodista de
author_role author
dc.contributor.advisor1.fl_str_mv Oliveira, Bruno Gomes Moura de
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/0748950597760777
dc.contributor.advisor-co1.fl_str_mv Santos, Wellington Pinheiro dos
dc.contributor.advisor-co1Lattes.fl_str_mv http://lattes.cnpq.br/6413917211782026
dc.contributor.referee1.fl_str_mv Batista, Ygo Neto
dc.contributor.referee2.fl_str_mv Gomes, Juliana Carneiro
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/8634712936192571
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/4951733169700261
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/8949734765924856
dc.contributor.author.fl_str_mv Lima, Camila Tiodista de
contributor_str_mv Oliveira, Bruno Gomes Moura de
Santos, Wellington Pinheiro dos
Batista, Ygo Neto
Gomes, Juliana Carneiro
dc.subject.cnpq.fl_str_mv ENGENHARIAS::ENGENHARIA ELETRICA
topic ENGENHARIAS::ENGENHARIA ELETRICA
Imagética Motora
Eletroencefalograma (EEG)
Traumas neurológicos - pacientes
Pessoas com deficiências motoras
Aprendizado Profundo
Arquiteturas de Redes Neurais
dc.subject.por.fl_str_mv Imagética Motora
Eletroencefalograma (EEG)
Traumas neurológicos - pacientes
Pessoas com deficiências motoras
Aprendizado Profundo
Arquiteturas de Redes Neurais
description Pacientes com traumas neurológicos ou portadores de deficiências motoras podem ter sua qualidade de vida melhorada com dispositivos assistidos controlados por interfa- ces cérebro-máquina que interpretam sinais de eletroencefalograma para predição de movimentos imaginários. O objetivo do presente Trabalho de Conclusão de Curso é desenvolver protótipos baseados em arquiteturas de redes neurais profundas para a extração de características, selecionar automaticamente os atributos mais relevantes através de algoritmos baseados em Computação Evolucionária e construir uma má- quina de aprendizado para classificação de sinais imaginados. Foi utilizada a base de dados BCI Competition IV 2a. A partir de resultados da literatura, o primeiro expe- rimento foi realizado com o terceiro indivíduo, nele foram testadas 12 configurações, os extratores de características: descritores explícitos, InceptionV3 e VGG16, combi- nados aos classificadores: J48, RF100, RF500 e SVM. A melhor configuração foi a VGG16+RF500 que foi aplicada a todos os indivíduos com o objetivo de identificarmos o melhor indivíduo para nosso contexto. Para nosso problema, o indivíduo com melhor desempenho foi o segundo, com ele foi realizada a extração de características com o Algoritmo Genético e a Otimização por Enxames de Partículas, sendo o segundo mais eficiente e com resultados de classificação superiores. Por fim, foi comparado o de- sempenho do sistema com e sem a seleção de características, o que resultou em uma redução em três vezes do tempo de treinamento e manutenção da acurácia média em torno de 75%. Dessa forma, os objetivos propostos foram alcançados e novos testes deverão ser realizados em trabalhos futuros.
publishDate 2023
dc.date.issued.fl_str_mv 2023-12-05
dc.date.accessioned.fl_str_mv 2024-01-19T19:01:50Z
dc.date.available.fl_str_mv 2024-01-19T19:01:50Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv LIMA, Camila Tiodista de ; OLIVEIRA, Bruno Gomes Moura de ; SANTOS, Wellington Pinheiro dos. Classificação de imagética motora e sinais eletroencefalográficos: uma abordagem baseada em interface cérebro máquina e aprendizagem profunda. 26 f. Artigo (Bacharelado em Engenharia Elétrica) Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco, Pesqueira, 2023.
dc.identifier.uri.fl_str_mv https://repositorio.ifpe.edu.br/xmlui/handle/123456789/1150
identifier_str_mv LIMA, Camila Tiodista de ; OLIVEIRA, Bruno Gomes Moura de ; SANTOS, Wellington Pinheiro dos. Classificação de imagética motora e sinais eletroencefalográficos: uma abordagem baseada em interface cérebro máquina e aprendizagem profunda. 26 f. Artigo (Bacharelado em Engenharia Elétrica) Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco, Pesqueira, 2023.
url https://repositorio.ifpe.edu.br/xmlui/handle/123456789/1150
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv ALMEIDA, Wallace Faveron de. Técnicas de aprendizado de máquina para interfaces cérebro-computador baseadas em EEG. 2021. Diss. (Mestrado) – Universidade de São Paulo. ANANTHRAM, Aditya. Random Initialization For Neural Networks: A Thing Of The Past. [S.l.: s.n.], 2018. Disponível em: https://towardsdatascience.com/random-initialization-for-neural-networks- a-thing-of-the-past-bfcdd806bf9e. Acesso em: 06 de novembro de 2023. ANG, Kai Keng et al. Filter Bank Common Spatial Pattern Algorithm on BCI Competition IV Datasets 2a and 2b. Frontiers in Neuroscience, v. 6, 2012. AQUINO BRÍTEZ, Diego Ariel et al. Optimización multi-objetivo de arquitecturas de aprendizaje profundo para el procesamiento de señales EEG en plataformas de cómputo heterogéneas. 2022. Tese (Doutorado) – Universidad de Granada, Granada. ARAÚJO, Flávio H. D. et al. Redes Neurais Convolucionais com Tensorflow: Teoria e Prática. III Escola Regional de Informática do Piauí: Livros Anais - Artigos e Minicursos, 2017. BEAR, Mark F; CONNORS, Barry W; PARADISO, Michael A. Neurociências: desvendando o sistema nervoso. [S.l.]: Artmed editora, 2017. BLINOWSKA, Katarzyna; DURKA, Piotr. Electroencephalography (eeg). Wiley encyclopedia of biomedical engineering, Citeseer, 2006. BRUNNER, Clemens et al. BCI Competition 2008–Graz data set A. Institute for Knowledge Discovery (Laboratory of Brain-Computer Interfaces), Graz University of Technology, v. 16, p. 1–6, 2008. CARVALHO, André Ponce de Leon F. Redes Neurais Artificiais. [S.l.: s.n.], 2023. Disponível em: https://sites.icmc.usp.br/andre/research/neural/. Acesso em: 03 de novembro de 2023. COSTA, Renato Carrasco; OLIVEIRA, Vanessa Mendes. Um Estudo sobre Interface Cérebro-Computador. 2012. Monografia (Graduação) – Universidade de Brasília, Brasília. EBERHART R, Kennedy J. New optimizer using particle swarm theory. Proc Int Symp Micro Mach Hum Sci, p. 39–43, 1995. FARIAS, AL et al. ESTUDO SOBRE A OTIMIZAÇÃO POR ENXAME DE PARTÍCULAS (PSO-PARTICLE SWARM OPTIMIZATION). 18o Seminário de Pesquisa & Iniciação Científica, p. 58–62, 2020. FELTRIN, Fernando. Redes Neurais Artificiais. 1. ed. [S.l.]: Uniorg, 2020. FURTADO, Maria Inês Vasconcellos. Redes Neurais Artificiais: Uma Abordagem Para Sala de Aula. Ponta Grossa (PR): Atena, 2016. GOMES, Juliana Carneiro. ASTERI: representação de sinais de eletroencefalografia em imagens para utilização de arquiteturas profundas baseadas em CNN. 2023. Tese (doutorado em Engenharia da Computação) – UPE, Escola Politécnica, Recife. GOOGLECLOUD. Guia avançado do Inception v3. [S.l.: s.n.], 2023. Disponível em: https://cloud.google.com/tpu/docs/inception-v3-advanced?hl=pt-br. Acesso em: 13 de janeiro de 2024. GRAIMANN, Bernhard; ALLISON, Brendan; PFURTSCHELLER, Gert. Brain–computer interfaces: A gentle introduction. Brain-computer interfaces: Revolutionizing human-computer interaction, Springer, p. 1–27, 2010. IV, BCI Competition. Berlim: [s.n.], 2008. Disponível em: https://bbci.de/competition/iv/. Acesso em: 23 de dezembro 2023. LEE, Gregory et al. PyWavelets: A Python package for wavelet analysis. Journal of Open Source Software, The Open Journal, v. 4, n. 36, p. 1237, 2019. MARTINS, António Cardoso; MARQUES, MJ; COSTA, Paulo Dias. Estudo comparativo de três algoritmos de machine learning na classificação de dados electrocardiográficos. 2009. Diss. (Mestrado) – Universidade do Porto, Porto. MENDONÇA, Vivian L. Biologia: ecologia: origem da vida e biologia celular embriologia e histologia. 3. ed. São Paulo: Editora AJS, 2016. v. 1. MENOTTI, David. Árvores de Decisão. Paraná: UFPR, 2018. Disponível em: https://www.inf.ufpr.br/menotti/ci171-182/slides/ci171-arvoresdecisao.pdf. Acesso em: 11 de janeiro 2024. MOTA GOMES, Marleide da. Bases fisiológicas do eletroencefalograma. Revista Brasileira de Neurologia, v. 51, n. 1, 2015. MSD, Manual. Estrutura típica de um Neurônio. [S.l.: s.n.], 2023. Disponível em: https://www.msdmanuals.com/pt/casa/multimedia/figure/estrutura- t%C3%ADpica-de-um-neur%C3%B4nio. Acesso em: 16 de outubro 2023. NEUPER, Christa et al. Motor imagery and action observation: modulation of sensorimotor brain rhythms during mental control of a brain–computer interface. Clinical neurophysiology, Elsevier, v. 120, n. 2, p. 239–247, 2009. NORONHA, Daniel H; FERNANDES, Marcelo AC. Implementaçao em fpga de máquina de vetores de suporte (svm) para classificaçao e regressao. XIII Encontro Nacional de Inteligência Artificial e Computacional-ENIAC, 2016. OLIVEIRA JUNIOR, Gilson Medeiros. Máquina de Vetores Suporte: estudo e análise de parâmetros para otimização de resultado. 2010. Monografia (Graduação) – Universidade Federal de Pernambuco, Recife. OTONI, Julliano da Silva. Desenvolvimento de um aparelho de eletroencefalografia mobile de baixo custo. 2019. Diss. (Mestrado) – Universidade Estadual Paulista ”Júlio de Mesquita Filho”, Instituto de Biociências de Botucatu. PACHECO, Marco Aurélio Cavalcanti. ALGORITMOS GENÉTICOS: PRINCÍPIOS E APLICAÇÕES. [S.l.: s.n.], 2004. ROHINI. Everything you need to know about VGG16. [S.l.]: Medium, 2021. https://medium.com/@mygreatlearning/everything-you-need-to-know-about-vgg16- 7315defb5918. SANTA CATARINA, Adair. INTRODUÇÃO À COMPUTAÇÃO EVOLUTIVA. [S.l.: s.n.], 2023. SANTANA, Maíra Araújo et al. Identificação automática de emoções a partir de sinais fisiológicos periféricos e centrais. Anais do V Simpósio de Inovação em Engenharia Biomédica - SABIO 2021, Recife, p. 39–46, 2021. SAPUTRA, Muhammad Fawaz; SETIAWAN, Noor Akhmad; ARDIYANTO, Igi. Deep learning methods for EEG signals classification of motor imagery in BCI. IJITEE (International Journal of Information Technology and Electrical Engineering), v. 3, n. 3, p. 80–84, 2019. SILVA, Murilo Coutinho. Selecionador de Características para classificação de sinais de EEG e construção de Interfaces Cérebro-Máquina. 2012. Diss. (Mestrado) – Universidade de Brasília, Brasília. SILVA, Rui Filipe Pinto Esteves. OTIMIZAÇÃO DO CONSUMO DE ENERGIA POR RECURSO A TÉCNICAS DE COMPUTAÇÃO EVOLUCIONÁRIA. 2021. Diss. (Mestrado) – Universidade NOVA de Lisboa, Lisboa. TELOKEN, Alex et al. Estudo Comparativo entre os algoritmos de Mineração de Dados Random Forest e J48 na tomada de Decisão. Simpósio de Pesquisa e Desenvolvimento em Computação, v. 2, n. 1, 2016. TORTORA, Gerard J; DERRICKSON, Bryan. Princípios de anatomia e fisiologia. Traduzido por Ana Cavalcanti C. Botelho et al. Rio de Janeiro: Guanabara Koogan, 2016. v. 14. VARGAS, Dionathan Luan de. EXTRAÇÃO E SELEÇÃO DE CARACTERÍSTICAS DE SINAIS DE ELETROENCEFALOGRAMA PARA DIAGNÓSTICO DE CRISES EPILÉTICAS. 2022. Diss. (Mestrado) – Universidade Tecnológica Federal do Paraná, Pato Branco. VAZ, Yule. Extração de características para a classificação de imagética motora em interfaces cérebro-computador. 2016. Tese (Doutorado) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. VICENTE, Edrin. Sistema 10-20 para localizar alvos terapêuticos em EMT. [S.l.: s.n.], 2022. Disponível em: https://www.kandel.com.br/post/como-localizar- os-pontos-de-estimulacao-para-estimulacao-magnetica-transcraniana. Acesso em: 21 de outubro 2023.
dc.rights.driver.fl_str_mv An error occurred on the license name.
An error occurred getting the license - uri.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv An error occurred on the license name.
An error occurred getting the license - uri.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 26 p.
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv PESQUEIRA
dc.source.none.fl_str_mv reponame:Repositório Institucional do IFPE
instname:Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)
instacron:IFPE
instname_str Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)
instacron_str IFPE
institution IFPE
reponame_str Repositório Institucional do IFPE
collection Repositório Institucional do IFPE
bitstream.url.fl_str_mv https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1150/1/Classifica%c3%a7%c3%a3o%20de%20imag%c3%a9tica%20motora%20e%20sinais%20eletroencefalogr%c3%a1ficos%20-%20uma%20abordagem%20baseada%20em%20interface%20c%c3%a9rebro%20m%c3%a1quina%20e%20aprendizagem%20profunda..pdf
https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1150/2/license_rdf
https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1150/3/license.txt
https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1150/4/Classifica%c3%a7%c3%a3o%20de%20imag%c3%a9tica%20motora%20e%20sinais%20eletroencefalogr%c3%a1ficos%20-%20uma%20abordagem%20baseada%20em%20interface%20c%c3%a9rebro%20m%c3%a1quina%20e%20aprendizagem%20profunda..pdf.txt
https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1150/5/Classifica%c3%a7%c3%a3o%20de%20imag%c3%a9tica%20motora%20e%20sinais%20eletroencefalogr%c3%a1ficos%20-%20uma%20abordagem%20baseada%20em%20interface%20c%c3%a9rebro%20m%c3%a1quina%20e%20aprendizagem%20profunda..pdf.jpg
bitstream.checksum.fl_str_mv 28f8668199a5b307fcbbe65f399d7bf8
d41d8cd98f00b204e9800998ecf8427e
8a4605be74aa9ea9d79846c1fba20a33
f8e16d6601d602c9193538f8191e058f
b4073deb7fc78c07a1c39a146ee22db9
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional do IFPE - Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)
repository.mail.fl_str_mv repositorioifpe@reitoria.ifpe.edu.br
_version_ 1801503704539463680

Registros relacionados