Classificação de biossinais de Motor Imagery coletados por EEG processados em tempo-frequência com redes neurais convolucionais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UCS |
Texto Completo: | https://repositorio.ucs.br/11338/4481 |
Resumo: | 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). |
id |
UCS_503d93dfb973c79507fc3d3e9fe78fa6 |
---|---|
oai_identifier_str |
oai:repositorio.ucs.br:11338/4481 |
network_acronym_str |
UCS |
network_name_str |
Repositório Institucional da UCS |
repository_id_str |
|
spelling |
Mussi, Matheus GonçalvesAdami, André GustavoMarques, Patric JannerSpindola, Marilda Machado2019-03-30T15:57:33Z2019-03-30T15:57:33Z2018-12-152018-12-15https://repositorio.ucs.br/11338/4481Pessoas 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).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).EletroencefalografiaRedes neurais (Computação)Classificação de biossinais de Motor Imagery coletados por EEG processados em tempo-frequência com redes neurais convolucionaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UCSinstname:Universidade de Caxias do Sul (UCS)instacron:UCSinfo:eu-repo/semantics/openAccessUniversidade de Caxias do SulBacharelado em Engenharia de Controle e AutomaçãoCampus Universitário de Caxias do SulORIGINALTCC Matheus Gonçalves Mussi.pdfTCC Matheus Gonçalves Mussi.pdfapplication/pdf18887508https://repositorio.ucs.br/xmlui/bitstream/11338/4481/1/TCC%20Matheus%20Gon%c3%a7alves%20Mussi.pdf1b91360c04951a9162a7b31c99da7d0cMD51TEXTTCC Matheus Gonçalves Mussi.pdf.txtTCC Matheus Gonçalves Mussi.pdf.txtExtracted texttext/plain158988https://repositorio.ucs.br/xmlui/bitstream/11338/4481/2/TCC%20Matheus%20Gon%c3%a7alves%20Mussi.pdf.txtcd1c3f3cfd8b7f7d50e0202e2cd9d085MD52THUMBNAILTCC Matheus Gonçalves Mussi.pdf.jpgTCC Matheus Gonçalves Mussi.pdf.jpgGenerated Thumbnailimage/jpeg1182https://repositorio.ucs.br/xmlui/bitstream/11338/4481/3/TCC%20Matheus%20Gon%c3%a7alves%20Mussi.pdf.jpg1742427e85fbab0bf8084efc71d9434aMD5311338/44812019-04-13 15:31:09.269oai:repositorio.ucs.br:11338/4481Repositório de Publicaçõeshttp://repositorio.ucs.br/oai/requestopendoar:2019-04-13T15:31:09Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS)false |
dc.title.pt_BR.fl_str_mv |
Classificação de biossinais de Motor Imagery coletados por EEG processados em tempo-frequência com redes neurais convolucionais |
title |
Classificação de biossinais de Motor Imagery coletados por EEG processados em tempo-frequência com redes neurais convolucionais |
spellingShingle |
Classificação de biossinais de Motor Imagery coletados por EEG processados em tempo-frequência com redes neurais convolucionais Mussi, Matheus Gonçalves Eletroencefalografia Redes neurais (Computação) |
title_short |
Classificação de biossinais de Motor Imagery coletados por EEG processados em tempo-frequência com redes neurais convolucionais |
title_full |
Classificação de biossinais de Motor Imagery coletados por EEG processados em tempo-frequência com redes neurais convolucionais |
title_fullStr |
Classificação de biossinais de Motor Imagery coletados por EEG processados em tempo-frequência com redes neurais convolucionais |
title_full_unstemmed |
Classificação de biossinais de Motor Imagery coletados por EEG processados em tempo-frequência com redes neurais convolucionais |
title_sort |
Classificação de biossinais de Motor Imagery coletados por EEG processados em tempo-frequência com redes neurais convolucionais |
author |
Mussi, Matheus Gonçalves |
author_facet |
Mussi, Matheus Gonçalves |
author_role |
author |
dc.contributor.other.none.fl_str_mv |
Adami, André Gustavo Marques, Patric Janner |
dc.contributor.author.fl_str_mv |
Mussi, Matheus Gonçalves |
dc.contributor.advisor1.fl_str_mv |
Spindola, Marilda Machado |
contributor_str_mv |
Spindola, Marilda Machado |
dc.subject.por.fl_str_mv |
Eletroencefalografia Redes neurais (Computação) |
topic |
Eletroencefalografia Redes neurais (Computação) |
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). |
publishDate |
2018 |
dc.date.submitted.none.fl_str_mv |
2018-12-15 |
dc.date.issued.fl_str_mv |
2018-12-15 |
dc.date.accessioned.fl_str_mv |
2019-03-30T15:57:33Z |
dc.date.available.fl_str_mv |
2019-03-30T15:57:33Z |
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.uri.fl_str_mv |
https://repositorio.ucs.br/11338/4481 |
url |
https://repositorio.ucs.br/11338/4481 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UCS instname:Universidade de Caxias do Sul (UCS) instacron:UCS |
instname_str |
Universidade de Caxias do Sul (UCS) |
instacron_str |
UCS |
institution |
UCS |
reponame_str |
Repositório Institucional da UCS |
collection |
Repositório Institucional da UCS |
bitstream.url.fl_str_mv |
https://repositorio.ucs.br/xmlui/bitstream/11338/4481/1/TCC%20Matheus%20Gon%c3%a7alves%20Mussi.pdf https://repositorio.ucs.br/xmlui/bitstream/11338/4481/2/TCC%20Matheus%20Gon%c3%a7alves%20Mussi.pdf.txt https://repositorio.ucs.br/xmlui/bitstream/11338/4481/3/TCC%20Matheus%20Gon%c3%a7alves%20Mussi.pdf.jpg |
bitstream.checksum.fl_str_mv |
1b91360c04951a9162a7b31c99da7d0c cd1c3f3cfd8b7f7d50e0202e2cd9d085 1742427e85fbab0bf8084efc71d9434a |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS) |
repository.mail.fl_str_mv |
|
_version_ |
1798308873485942784 |