Análise e classificação de sinais de EEG a partir de movimentação passiva em pacientes sedados

• Autor(a) principal: Florisbal, Gabriel da Costa
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/222476
• topic: Eletroencefalografia; Processamento de sinais; BCI; Electroencephalography; Passive mobilization; LDA; ELM

Recentemente, a eletroencefalografia é o foco de diversas pesquisas, como: análise de sinais, desenvolvimento de sistemas Brain Computer Interface (BCI), uso para diagnósticos e aumento sobre o conhecimento do cérebro humano. Estas pesquisas utilizam-se de diferentes fenômenos cerebrais. Um dos fenômenos estudados para distintas aplicações são os relacionados a Event-Related Potential (ERP) - potenciais relacionados a eventos. Neste trabalho são analisados dois fenômenos principais relacionados a eventos, o Event-related desynchronization (ERD) e Event-related synchronization (ERS). Estes fenômenos são relacionados à dessincronização/sincronização do sinal devido à realização de movimentos de forma ativa, passiva, ou ainda, imaginação de movimentos. O ERD e ERS podem ser analisados visualmente e através de classificadores em sinais adquiridos a partir de mobilização passiva em três pacientes sedados em UTI e dois voluntários não-sedados. Os sinais são divididos em trilhas, com mobilização passiva realizada em períodos síncronos nos braços esquerdo e direito. Este sinal é adquirido a partir da touca Emotiv, processado a partir de filtros butterworth digitais, filtros de outliers e filtros Common Spatial Pattern (CSP) a fim de aumentar a discriminação entre classes e permitir a visualização dos fenômenos. São extraídas as características no domínio tempo e frequência para utilização nos classificadores, sendo elas: RMS, Differential Entropy, PSD com o método de Welch e desvio padrão. São comparados os classificadores Discriminante Linear de Fischer (LDA) e Extreme Learning Machines (ELM). As melhores taxas de acerto obtidas a partir dos experimentos foram de 75,6±2%, para um voluntário do grupo de controle (voluntário não sedado) e de 78,3±2,8% para um paciente sedado, com a média aritmética das taxas de acertos dos grupos na mesma faixa percentual.