Aprendizado profundo e interfaces cérebro-computador

Detalhes bibliográficos
Autor(a) principal: Rampazzo, Willian, 1983-
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/1637605
Resumo: Orientador: Romis Ribeiro de Faissol Attux
id UNICAMP-30_3594086d5ec79cba311cd9660dc3cf42
oai_identifier_str oai::1095339
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Aprendizado profundo e interfaces cérebro-computadorDeep learning and brain-computer interfacesAprendizado profundoInterfaces cérebro-computadorRedes neurais (Computação)Potenciais evocadosComputers - neural networksBrain-computer interfacesMachine learningEvoked potentialsOrientador: Romis Ribeiro de Faissol AttuxDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: Uma Interface Cérebro-Computador (BCI, do inglês, Brain-Computer Interface) é um sistema artificial de comunicação direta entre o cérebro e um dispositivo externo. Ela opera de forma independente de nervos e músculos periféricos. Sua finalidade é traduzir a intenção do usuário, associada à medição da atividade originada no cérebro, em sinais de controle correspondentes aos da aplicação. Para tal, ela faz uso de técnicas de processamento de sinais e reconhecimento de padrões. Diferentes áreas podem se beneficiar das BCIs, como a área de entretenimento e a área de saúde. Especialmente na área de saúde, estes sistemas podem ter um grande impacto em pessoas com doenças que levam à síndrome do encarceramento, sendo, possivelmente, a única opção para comunicação em tais casos. As redes neurais profundas têm sido aplicadas a problemas de diferentes áreas, como visão computacional, processamento de linguagem natural, diagnósticos médicos, entre outras, obtendo resultados que, muitas vezes, ultrapassam o estado-da-arte. Uma característica interessante destas redes, em particular as redes convolucionais profundas (DCNNs, do inglês, Deep Convolutional Neural Networks), é a capacidade de extração de características de forma automática, dispensando, frequentemente, a engenharia de atributos manual, etapa quase obrigatória para um grande número de técnicas de aprendizado de máquina. Os resultados promissores obtidos por DCNNs em diferentes áreas indicam que há potencial para empregá-las na tarefa de processamento de sinais cerebrais em sistemas BCI. Este trabalho explora o uso destas redes em uma BCI baseada em potenciais visualmente evocados em estado estacionário (SSVEP, do inglês, Steady State Visually Evoked Potentials), investigando, inicialmente, se formatos diferentes de entrada, como o sinal bruto ou uma transformação do sinal, a exemplo, a transformada de Fourier de tempo curto, influenciam no desempenho das DCNNs. Para esta investigação, são propostas novas arquiteturas de DCNNs, avaliadas sobre diferentes tipos de entrada, e seus desempenhos são comparados aos de abordagens usualmente adotadas na etapa de classificação de BCIs. Este trabalho também investiga se é possível utilizar a técnica de transferência de conhecimento para ajustar DCNNs pré-treinadas aos dados de BCIs. Os resultados experimentais indicam que as DCNNs são uma opção a ser aplicada ao processamento de sinais cerebrais em BCIsAbstract: A Brain-Computer Interface (BCI) is an artificial system of direct communication between the brain and an external device. It operates independently of peripheral nerves and muscles. Its purpose is to translate the user's intention, associated with the measurement of brain-originated activity, into control signals corresponding to those of the application. To do so, it makes use of signal processing and pattern recognition techniques. Different areas can benefit from BCIs, such as the entertainment area and the healthcare area. Especially in healthcare, these systems can have a significant impact on people with diseases that lead to locked-in syndrome and are possibly the only option for communication in such cases. Deep neural networks have been applied to problems in different areas, such as computer vision, natural language processing, medical diagnostics, among others, obtaining results that often surpass the state-of-the-art. An exciting feature of these networks, in particular, Deep Convolutional Neural Networks (DCNNs), is the ability to extract features automatically, often without the need for manual attribute engineering, an almost mandatory step for a large number of machine learning techniques. The promising results obtained by DCNNs in different areas indicate that there is potential to employ them in the task of processing brain signals in BCI systems. In this work, we explore the use of these networks in a Steady-State Visually Evoked Potentials (SSVEP) -based BCI investigating, initially, whether different input formats such as the raw signal or a signal transformation, for example, the short-time Fourier transform, influence the performance of DCNNs. For such, we propose new DCNN architectures and evaluate them in different input formats, comparing their performances to the approaches usually adopted in the BCI classification step. This work also investigates whether it is possible to use the knowledge transfer technique to adjust pre-trained DCNNs to BCI data. Experimental results indicate that DCNNs are an option to apply to brain signal processing in BCIsMestradoEngenharia de ComputaçãoMestre em Engenharia ElétricaFAPESP2018/04100-3CAPES[s.n.]Attux, Romis Ribeiro de Faissol, 1978-Takahata, André KazuoVon Zuben, Fernando JoséUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASRampazzo, Willian, 1983-20192019-08-13T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (99 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1637605RAMPAZZO, Willian. Aprendizado profundo e interfaces cérebro-computador. 2019. 1 recurso online (99 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1637605. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1095339Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2021-06-30T13:14:01Zoai::1095339Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2021-06-30T13:14:01Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Aprendizado profundo e interfaces cérebro-computador
Deep learning and brain-computer interfaces
title Aprendizado profundo e interfaces cérebro-computador
spellingShingle Aprendizado profundo e interfaces cérebro-computador
Rampazzo, Willian, 1983-
Aprendizado profundo
Interfaces cérebro-computador
Redes neurais (Computação)
Potenciais evocados
Computers - neural networks
Brain-computer interfaces
Machine learning
Evoked potentials
title_short Aprendizado profundo e interfaces cérebro-computador
title_full Aprendizado profundo e interfaces cérebro-computador
title_fullStr Aprendizado profundo e interfaces cérebro-computador
title_full_unstemmed Aprendizado profundo e interfaces cérebro-computador
title_sort Aprendizado profundo e interfaces cérebro-computador
author Rampazzo, Willian, 1983-
author_facet Rampazzo, Willian, 1983-
author_role author
dc.contributor.none.fl_str_mv Attux, Romis Ribeiro de Faissol, 1978-
Takahata, André Kazuo
Von Zuben, Fernando José
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Rampazzo, Willian, 1983-
dc.subject.por.fl_str_mv Aprendizado profundo
Interfaces cérebro-computador
Redes neurais (Computação)
Potenciais evocados
Computers - neural networks
Brain-computer interfaces
Machine learning
Evoked potentials
topic Aprendizado profundo
Interfaces cérebro-computador
Redes neurais (Computação)
Potenciais evocados
Computers - neural networks
Brain-computer interfaces
Machine learning
Evoked potentials
description Orientador: Romis Ribeiro de Faissol Attux
publishDate 2019
dc.date.none.fl_str_mv 2019
2019-08-13T00:00:00Z
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/20.500.12733/1637605
RAMPAZZO, Willian. Aprendizado profundo e interfaces cérebro-computador. 2019. 1 recurso online (99 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1637605. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/1637605
identifier_str_mv RAMPAZZO, Willian. Aprendizado profundo e interfaces cérebro-computador. 2019. 1 recurso online (99 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1637605. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1095339
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (99 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189152490520576

Registros relacionados