Processamento de sinais de EEG para classificação de tarefas motoras em sistemas de interface cérebro-máquina

Detalhes bibliográficos
Autor(a) principal: Silva, Cleison Daniel
Data de Publicação: 2017
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/xmlui/handle/123456789/179946
Resumo: Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2017.
id UFSC_455e636b830e9bdf02e7d0430ba3c60c
oai_identifier_str oai:repositorio.ufsc.br:123456789/179946
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Processamento de sinais de EEG para classificação de tarefas motoras em sistemas de interface cérebro-máquinaEngenharia de sistemasAutomaçãoEletroencefalografiaProcessamento de sinaisTese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2017.Nesta tese, é proposta uma nova abordagem para o processamento do sinal de eletroencefalograma (EEG) aplicado à interface cérebro-máquina (ICM) baseado em imagética motora (IM). A nova abordagem consiste em introduzir graus de liberdade aos classificadores baseados em Padrões Espaciais Comuns (CSP - Common Spatial Pattern) mais Análise Discriminante Linear (LDA - Linear Discriminant Analysis) e um classificador baseado na distância de Riemann. Os graus de liberdade correspondem a uma transformação para os sinais que é expressa como uma parametrização das matrizes de covariância. Esses parâmetros são determinados resolvendo um problema de otimização convexa com restrições de Desigualdades Matriciais Lineares (LMI - Linear Matrix Inequalities). Estes problemas são formulados para destacar propriedades que melhoram a discriminação de sinais de diferentes classes. A fim de reduzir a demanda computacional dos problemas de otimização, uma representação compacta dos sinais EEG é usada para expressar a parametrização da matriz de covariância e reduzir a dimensão do problema. O conteúdo espectral dos sinais é explicitamente encontrado nos coeficientes da representação compacta que são obtidos eficientemente projetando os sinais numa base sinusoidal definida em uma faixa de frequências de interesse. Esta propriedade permite emular a estratégia de filtro de passa-faixa a partir dos coeficientes da nova representação com redução no custo computacional. Os resultados, em termos de acurácia de classificação, foram ilustrados através de um conjunto de dados de sinal EEG registrado durante a execução de tarefas cognitivas de imagética motora. Estes conjuntos de dados estão disponíveis online gratuitamente e foram gerados por duas competições internacionais, promovidos para testar e validar algoritmos aplicados a sistemas ICM. Embora os resultados obtidos possam ser melhorados, a introdução e ajuste dos novos graus de liberdade propostos nesta tese provaram ser uma alternativa viável para obter melhores taxas de acurácia na classificação do sinal quando comparados com os métodos convencionais, via Riemann e via CSP -LDA. Outro aspecto interessante é que a representação compacta permite reduzir drasticamente o custo computacional de métodos baseados em CSP e filtros de frequência sub-banda sem comprometer o desempenho da ICM.<br>Abstract : In this thesis, a new approach is proposed for the electroencephalogram (EEG) signal processing applied to brain-computer interface (BCI) based on motor imagery (IM). The new approach consists of introducing degrees of freedom to the classifiers based on Common Spatial Patterns (CSP) plus Linear Discriminant Analysis (LDA) and a classifier based on Riemann distance. The degrees of freedom correspond to a transformation to the signals which is expressed as a parameterization of the covariance matrices. These parameters are determined by solving a convex optimization problem with Linear Matrix Inequalities (LMI) constraints. These problems are formulated to highlight properties that improve discrimination of signals from different classes. In order to reduce the computational demand of the optimization problems, a compact representation of the EEG signals is used to express the parameterization of the covariance matrix and reduce the dimension of the problem. The spectral content of the signals is explicitly found in the coefficients of the compact representation which are obtained efficiently by projecting the signals on a sinusoidal basis defined in a range of frequencies of interest. This property allows to emulate the pass-band filter strategy from the coefficients of the new representation. The results, in terms of classification accuracy, were illustrated through an EEG signal dataset recorded during the execution of cognitive tasks of motor imagery. These datasets are available online for free and they were generated by two international competitions, promoted to test and validate algorithms applied to BCI systems. Although the results obtained can be improved, the introduction and adjustment of the new degrees of freedom proposed in this thesis have proved to be a viable alternative to obtain better accuracy rates in the signal classification when compared with the conventional methods, via Riemann and via CSP-LDA, specially when the classical methods offer poor results. Another interesting aspect is that the compact representation allows to drastically reduce the a computational cost of methods based on CSP and frequency sub-band filters without compromising BCI performance.Trofino Neto, AlexandreMarques, Jefferson Luiz BrumUniversidade Federal de Santa CatarinaSilva, Cleison Daniel2017-10-10T04:14:52Z2017-10-10T04:14:52Z2017info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesis189 p.| il., gráfs.application/pdf348503https://repositorio.ufsc.br/xmlui/handle/123456789/179946porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2017-10-10T04:14:52Zoai:repositorio.ufsc.br:123456789/179946Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732017-10-10T04:14:52Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Processamento de sinais de EEG para classificação de tarefas motoras em sistemas de interface cérebro-máquina
title Processamento de sinais de EEG para classificação de tarefas motoras em sistemas de interface cérebro-máquina
spellingShingle Processamento de sinais de EEG para classificação de tarefas motoras em sistemas de interface cérebro-máquina
Silva, Cleison Daniel
Engenharia de sistemas
Automação
Eletroencefalografia
Processamento de sinais
title_short Processamento de sinais de EEG para classificação de tarefas motoras em sistemas de interface cérebro-máquina
title_full Processamento de sinais de EEG para classificação de tarefas motoras em sistemas de interface cérebro-máquina
title_fullStr Processamento de sinais de EEG para classificação de tarefas motoras em sistemas de interface cérebro-máquina
title_full_unstemmed Processamento de sinais de EEG para classificação de tarefas motoras em sistemas de interface cérebro-máquina
title_sort Processamento de sinais de EEG para classificação de tarefas motoras em sistemas de interface cérebro-máquina
author Silva, Cleison Daniel
author_facet Silva, Cleison Daniel
author_role author
dc.contributor.none.fl_str_mv Trofino Neto, Alexandre
Marques, Jefferson Luiz Brum
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Silva, Cleison Daniel
dc.subject.por.fl_str_mv Engenharia de sistemas
Automação
Eletroencefalografia
Processamento de sinais
topic Engenharia de sistemas
Automação
Eletroencefalografia
Processamento de sinais
description Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2017.
publishDate 2017
dc.date.none.fl_str_mv 2017-10-10T04:14:52Z
2017-10-10T04:14:52Z
2017
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 348503
https://repositorio.ufsc.br/xmlui/handle/123456789/179946
identifier_str_mv 348503
url https://repositorio.ufsc.br/xmlui/handle/123456789/179946
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.format.none.fl_str_mv 189 p.| il., gráfs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652381087334400

Registros relacionados