Abordagens de aprendizado de máquina aplicadas à classificação de dados provenientes de equipamento ekletroencefalográfico não-invasivo

Detalhes bibliográficos
Autor(a) principal: Santos, Alisson Ravaglio
Data de Publicação: 2017
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/53435
Resumo: Orientador : Prof. Dr. Leandro dos Santos Coelho
id UFPR_33e4dea53e4690d7b1d5fc77a5a3cc70
oai_identifier_str oai:acervodigital.ufpr.br:1884/53435
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia ElétricaCoelho, Leandro dos Santos, 1968-Santos, Alisson Ravaglio2024-04-19T19:52:02Z2024-04-19T19:52:02Z2017https://hdl.handle.net/1884/53435Orientador : Prof. Dr. Leandro dos Santos CoelhoDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa: Curitiba, 01/12/2017Inclui referências : f. 109-117Resumo: A interface cérebro-computador (ICC, do inglês brain-computer interfaces, BCIs) tem emergido como uma área promissora de pesquisa. As ICCs podem possibilitar aos seus usuários a capacidade de comunicação e controle que não dependem de músculos. Esta dissertação visa utilizar um eletroencefalograma não-invasivo para, por meio da atividade cerebral das pessoas, controlar um processo denominado pêndulo, utilizando-se de uma abordagem de comunicação entre uma pessoa e uma máquina (interface cérebro-computador) por meio de classificações realizadas por algoritmos de Aprendizado de máquina (Machine Learning). Desta forma, o objetivo principal é desenvolver algoritmos de aprendizado de máquina capazes de classificar dados de um eletroencefalograma para controle de um processo pêndulo. Os algoritmos que foram utilizados na classificação dos sinais são: (i) máquina de aprendizado extremo, (ii) K vizinhos mais próximos, (iii) árvore de decisão, (iv) máquina de vetores de suporte, (v) máquina de vetores de relevância e (vi) XgBoost. Neste contexto, por meio de dados coletados de eletroencefalograma de uma pessoa e com a utilização dos algoritmos de Aprendizado de Máquina que classificam os sinais recebidos, tem-se como objetivo determinar o mínimo de erro possível (de acordo com a acurácia da matriz de confusão) entre as saídas desejadas a as saídas obtidas e, em seguida, gerar comandos para o controle de sistema de pêndulo onde será utilizado um controlador PID (Proporcional, Integral e Derivativo) adaptativo de Dahlin. Os resultados apresentados obtiveram valores de erros baixos, tanto para a acurácia matriz de confusão dos algoritmos quanto para estabelecer o controle do processo do pêndulo, com uma resposta satisfatória, de modo que o erro de saída do controlador, ITAE (Integral of Time Multiplied by the Absolute Value of Error - Integral do erro absoluto vezes o tempo), tenha resultado em um valor baixo com um bom controle do processo. Esta abordagem pode ser promissora e irá servir como base para projetos de sistemas que visam ajudar pessoas com limitações vinculadas de coordenação motora, tais como em casos de pessoas tetraplégicas ou quadriplégicas, que possuem paralisia em todas as quatro extremidades, superiores e inferiores, juntamente à musculatura do tronco, mas que possuem atividade cerebral. Por fim, este trabalho de dissertação visa contribuir com o processo de aquisição dos dados do eletroencefalograma e a utilização de algoritmos de aprendizado de máquina para a classificação destes dados, expondo os melhores algoritmos e padrões a serem utilizados no controle de um processo.Abstract: The brain-computer interface (BCIs) has emerged as a promising area of research. The ICCs can give their users the ability to communicate and control without depending on muscles. Thus, this work aims to use an electroencephalogram to control a suspended pendulum by means of the brain activity of the people, an approach to a system of communication between a person and a machine (computer-brain interface) through algorithm classifications of machine learning. In this way, the main objective is to develop machine learning algorithms capable of classifying data of an electroencephalogram to control an overdamped pendulum process. The algorithms that were used to classify the signals are: (i) extreme learning machine, (ii) K nearest neighbors, (iii) decision tree, (iv) support vector machine, (v) relevance vector machine and (vi) XgBoost. In this context, through data collected from a person's electroencephalogram and using the Machine Learning algorithms to classify the received signals, the main objective is to determine the minimum possible error (according to the confusion matrix) between the desired outputs and the outputs obtained, and then generate commands for the overdamped pendulum system control that will be used a Dahlin Adaptive, Proportional, Integral and Derivative (PID) controller. The results obtained low error values, both for the confusion matrix of the algorithms and to establish the process control of the overdamped pendulum, with a satisfactory response, so that the controller output error, ITAE (Integral of Time Multiplied by the Absolute Value of Error - Integral of the absolute error times times), has resulted in a low value with a good process control for overdamped pendulum. This approach may be promising and will serve as the basis for projects aimed at helping people with related limitations of motor skills, such as in cases of tetraplegic or quadriplegic people who have paralysis in all four extremities, upper and lower, along the muscles of the trunk, but which have brain activity. Finally, this work aims to contribute with the process of electroencephalogram data acquisition and use machine learning algorithms to classify the electroencephalogram data, exposing the best algorithms and standards in systems without control of a process.123 f. : il. algumas color., gráfs., tabs.application/pdfDisponível em formato digitalEngenharia elétricaEletroencefalografiaPenduloRedes neurais (Computação)Inteligência artificialAbordagens de aprendizado de máquina aplicadas à classificação de dados provenientes de equipamento ekletroencefalográfico não-invasivoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - ALISSON RAVAGLIO SANTOS.pdfapplication/pdf7838765https://acervodigital.ufpr.br/bitstream/1884/53435/1/R%20-%20D%20-%20ALISSON%20RAVAGLIO%20SANTOS.pdfe622811b89dac9e39dd81ad3317824d3MD51open access1884/534352024-04-19 16:52:03.004open accessoai:acervodigital.ufpr.br:1884/53435Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082024-04-19T19:52:03Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Abordagens de aprendizado de máquina aplicadas à classificação de dados provenientes de equipamento ekletroencefalográfico não-invasivo
title Abordagens de aprendizado de máquina aplicadas à classificação de dados provenientes de equipamento ekletroencefalográfico não-invasivo
spellingShingle Abordagens de aprendizado de máquina aplicadas à classificação de dados provenientes de equipamento ekletroencefalográfico não-invasivo
Santos, Alisson Ravaglio
Engenharia elétrica
Eletroencefalografia
Pendulo
Redes neurais (Computação)
Inteligência artificial
title_short Abordagens de aprendizado de máquina aplicadas à classificação de dados provenientes de equipamento ekletroencefalográfico não-invasivo
title_full Abordagens de aprendizado de máquina aplicadas à classificação de dados provenientes de equipamento ekletroencefalográfico não-invasivo
title_fullStr Abordagens de aprendizado de máquina aplicadas à classificação de dados provenientes de equipamento ekletroencefalográfico não-invasivo
title_full_unstemmed Abordagens de aprendizado de máquina aplicadas à classificação de dados provenientes de equipamento ekletroencefalográfico não-invasivo
title_sort Abordagens de aprendizado de máquina aplicadas à classificação de dados provenientes de equipamento ekletroencefalográfico não-invasivo
author Santos, Alisson Ravaglio
author_facet Santos, Alisson Ravaglio
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia Elétrica
dc.contributor.advisor1.fl_str_mv Coelho, Leandro dos Santos, 1968-
dc.contributor.author.fl_str_mv Santos, Alisson Ravaglio
contributor_str_mv Coelho, Leandro dos Santos, 1968-
dc.subject.por.fl_str_mv Engenharia elétrica
Eletroencefalografia
Pendulo
Redes neurais (Computação)
Inteligência artificial
topic Engenharia elétrica
Eletroencefalografia
Pendulo
Redes neurais (Computação)
Inteligência artificial
description Orientador : Prof. Dr. Leandro dos Santos Coelho
publishDate 2017
dc.date.issued.fl_str_mv 2017
dc.date.accessioned.fl_str_mv 2024-04-19T19:52:02Z
dc.date.available.fl_str_mv 2024-04-19T19:52:02Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/53435
url https://hdl.handle.net/1884/53435
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 123 f. : il. algumas color., gráfs., tabs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/53435/1/R%20-%20D%20-%20ALISSON%20RAVAGLIO%20SANTOS.pdf
bitstream.checksum.fl_str_mv e622811b89dac9e39dd81ad3317824d3
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860573051224064

Registros relacionados