Identificação da condição de sono a partir de características extraídas de sinais de EEG utilizando um módulo Orange Pi Zero

Detalhes bibliográficos
Autor(a) principal: Cassenote, Vanessa
Data de Publicação: 2017
Idioma: por
Título da fonte: Manancial - Repositório Digital da UFSM
dARK ID: ark:/26339/0013000007f16
Texto Completo: http://repositorio.ufsm.br/handle/1/25280
Resumo: Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Computação, RS, 2017.
id UFSM_ede132d84ba607fc3001431884f459d2
oai_identifier_str oai:repositorio.ufsm.br:1/25280
network_acronym_str UFSM
network_name_str Manancial - Repositório Digital da UFSM
repository_id_str
spelling Identificação da condição de sono a partir de características extraídas de sinais de EEG utilizando um módulo Orange Pi ZeroIdentification of drowsiness condition from feature extraction of EEG signals using a Orange Pi Zero moduleProcessamento de sinaisEEGSonolênciaSignal processingDrowsinessCNPQ::ENGENHARIASTrabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Computação, RS, 2017.This work in progress reports the first results of a project which purpose is the implementation of a microprocessed system for the detection of fatigue, or state of drowsiness, from electroencephalogram (EEG) signals. The use of the Orange Pi Zero platform allows it to have a sleep stage classification system in a compact, mobile and real-time way. So far, the EEG signals used come from a public database, which were acquired from 20 volunteers resulting in 39 signal files with 20 hours of recording. These signal files are divided into epochs (30-second tracks) from which the important frequency bands for the sleep analysis are filtered with the Daubechies’ discrete wavelet transform, and then features are extracted. These features are statistical measures that have as main benefits the reduction of data volume and the highlight of information from the signal, being they the variance, kurtosis and skewness. From these, one can train the random forest classifier to identify whether the patient is awake (W) or sleeping (SLP). The performance of the signal classification is measured by the accuracy calculation, which yields 97% for the test group, corresponding to 40% of the input data (106,285 epochs). Also in this work was made the analysis of the cases where the classifier predicts sleep state with at least one time in advance for a patient and, it was realized that the variance is the most relevant feature for the classifier.Este trabalho em andamento relata os primeiros resultados de um projeto cujo propósito é a implementação de um sistema microprocessado para detecção da fadiga, ou estado de sonolência, a partir de sinais de eletroencefalograma (EEG). O uso da plataforma Orange Pi Zero permite que se tenha um sistema de classificação de estágios de sono de forma compacta, móvel e em tempo real. Até então, os sinais de EEG utilizados são oriundos de um banco de dados público, os quais foram adquiridos de 20 voluntários resultando em 39 arquivos de sinais com 20 horas de gravação. Estes são divididos em épocas (ou faixas de 30 segundos) de onde são filtradas as faixas de frequências importantes para a análise do sono com a transformada wavelet discreta de Daubechies e, em seguida, são extraídas características. Estas características são medidas estatísticas que tem como principais benefícios a redução do volume de dados e o destaque de informações do sinal, sendo elas a variância, a curtose e a assimetria. A partir delas pode-se treinar o classificador florestas aleatórias para identificar se o paciente está acordado (W) ou dormindo (SLP). O desempenho da classificação dos sinais é medido pelo cálculo da acurácia, o qual obteve-se 97% para o grupo de teste, que corresponde à 40% dos dados de entrada (106.285 épocas). Além disso, foram analisados os casos em que o classificador prevê o estado de sono com pelo menos uma época de antecedência para um paciente e, percebeu-se que a variância é a característica mais relevante para o classificador.Universidade Federal de Santa MariaBrasilUFSMCentro de TecnologiaRodrigues, Cesar RamosCassenote, Vanessa2022-07-07T13:26:47Z2022-07-07T13:26:47Z2017-12-152017Trabalho de Conclusão de Curso de Graduaçãoinfo:eu-repo/semantics/publishedVersionapplication/pdfhttp://repositorio.ufsm.br/handle/1/25280ark:/26339/0013000007f16porAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Manancial - Repositório Digital da UFSMinstname:Universidade Federal de Santa Maria (UFSM)instacron:UFSM2022-07-07T13:26:47Zoai:repositorio.ufsm.br:1/25280Biblioteca Digital de Teses e Dissertaçõeshttps://repositorio.ufsm.br/ONGhttps://repositorio.ufsm.br/oai/requestatendimento.sib@ufsm.br||tedebc@gmail.comopendoar:2022-07-07T13:26:47Manancial - Repositório Digital da UFSM - Universidade Federal de Santa Maria (UFSM)false
dc.title.none.fl_str_mv Identificação da condição de sono a partir de características extraídas de sinais de EEG utilizando um módulo Orange Pi Zero
Identification of drowsiness condition from feature extraction of EEG signals using a Orange Pi Zero module
title Identificação da condição de sono a partir de características extraídas de sinais de EEG utilizando um módulo Orange Pi Zero
spellingShingle Identificação da condição de sono a partir de características extraídas de sinais de EEG utilizando um módulo Orange Pi Zero
Cassenote, Vanessa
Processamento de sinais
EEG
Sonolência
Signal processing
Drowsiness
CNPQ::ENGENHARIAS
title_short Identificação da condição de sono a partir de características extraídas de sinais de EEG utilizando um módulo Orange Pi Zero
title_full Identificação da condição de sono a partir de características extraídas de sinais de EEG utilizando um módulo Orange Pi Zero
title_fullStr Identificação da condição de sono a partir de características extraídas de sinais de EEG utilizando um módulo Orange Pi Zero
title_full_unstemmed Identificação da condição de sono a partir de características extraídas de sinais de EEG utilizando um módulo Orange Pi Zero
title_sort Identificação da condição de sono a partir de características extraídas de sinais de EEG utilizando um módulo Orange Pi Zero
author Cassenote, Vanessa
author_facet Cassenote, Vanessa
author_role author
dc.contributor.none.fl_str_mv Rodrigues, Cesar Ramos
dc.contributor.author.fl_str_mv Cassenote, Vanessa
dc.subject.por.fl_str_mv Processamento de sinais
EEG
Sonolência
Signal processing
Drowsiness
CNPQ::ENGENHARIAS
topic Processamento de sinais
EEG
Sonolência
Signal processing
Drowsiness
CNPQ::ENGENHARIAS
description Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Computação, RS, 2017.
publishDate 2017
dc.date.none.fl_str_mv 2017-12-15
2017
2022-07-07T13:26:47Z
2022-07-07T13:26:47Z
dc.type.driver.fl_str_mv Trabalho de Conclusão de Curso de Graduação
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://repositorio.ufsm.br/handle/1/25280
dc.identifier.dark.fl_str_mv ark:/26339/0013000007f16
url http://repositorio.ufsm.br/handle/1/25280
identifier_str_mv ark:/26339/0013000007f16
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Santa Maria
Brasil
UFSM
Centro de Tecnologia
publisher.none.fl_str_mv Universidade Federal de Santa Maria
Brasil
UFSM
Centro de Tecnologia
dc.source.none.fl_str_mv reponame:Manancial - Repositório Digital da UFSM
instname:Universidade Federal de Santa Maria (UFSM)
instacron:UFSM
instname_str Universidade Federal de Santa Maria (UFSM)
instacron_str UFSM
institution UFSM
reponame_str Manancial - Repositório Digital da UFSM
collection Manancial - Repositório Digital da UFSM
repository.name.fl_str_mv Manancial - Repositório Digital da UFSM - Universidade Federal de Santa Maria (UFSM)
repository.mail.fl_str_mv atendimento.sib@ufsm.br||tedebc@gmail.com
_version_ 1815172298494181376

Registros relacionados