Extração de características via "autoencoders" aplicada a interfaces cérebro-computador baseadas em potenciais evocados visualmente em regime estacionário

Detalhes bibliográficos
Autor(a) principal: Granzotti, Rafael Aparecido, 1993-
Data de Publicação: 2020
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/20.500.12733/1640587
Resumo: Orientador: Levy Boccato
id UNICAMP-30_fb97a3dfd4b505b5bf406eade2942a6e
oai_identifier_str oai::1161615
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Extração de características via "autoencoders" aplicada a interfaces cérebro-computador baseadas em potenciais evocados visualmente em regime estacionárioFeature extraction via autoencoders applied to brain-computer interfaces based on steady-state visually evoked potentialsInterfaces cérebro-computadorPotenciais evocadosAprendizado profundoRedes neurais (Computação)Brain-Computer InterfaceEvoked potentialsDeep learningNeural networks (Computation)Orientador: Levy BoccatoDissertação (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 que possibilita a transmissão de informação do cérebro para um computador explorando mecanismos diretos e distintos dos convencionais para tal comunicação. Em essência, uma BCI registra a atividade elétrica cerebral por meio de sensores e interpreta esses registros com o objetivo de produzir um comando para uma aplicação, como para o controle de uma cadeira de rodas automatizada. Existem diversos paradigmas de BCI, cada um explorando diferentes características neurofisiológicas do cérebro humano. Um desses paradigmas é baseado em potenciais evocados visualmente em regime estacionário (SSVEP, do inglês steady-state visually evoked potentials). Em uma BCI-SSVEP o indivíduo deve concentrar sua atenção em diferentes estímulos visuais, os quais são expostos continuamente com diferentes frequências. O desafio da interface é, então, identificar a frequência correspondente ao estímulo visual no qual o usuário está concentrado, tendo como base registros eletroencefalográficos (EEG). Para isso, a BCI processa o sinal cerebral com o intuito de remover artefatos e, principalmente, de extrair atributos relevantes a fim de obter uma representação discriminativa que contribua para a correta classificação dos sinais, de modo a identificar o estímulo visual selecionado pelo usuário, o qual codifica uma ação desejada. Uma técnica conhecida como autoencoder (AE) tem ganhado atenção especial nas últimas décadas devido a sua habilidade de descobrir representações vantajosas para uma base de dados. Essencialmente, autoencoders são redes neurais artificiais compostas de duas partes -- codificador e decodificador -- cujas funções são, respectivamente, criar a representação interna (chamada código) para o dado de entrada, e reconstruir o dado de entrada a partir do código gerado. Portanto, o codificador corresponde a um poderoso extrator de atributos não-linear. Neste trabalho, foi investigado o uso de AEs para realizar a extração de características em uma BCI-SSVEP. Diferentes tipos de AE foram analisados, tanto no domínio do tempo quanto no domínio da frequência, considerando dois classificadores: regressão logística e máquina de vetores-suporte (SVM, do inglês support-vector machine). Os resultados obtidos revelam que, em alguns casos, os AEs podem oferecer uma melhora modesta, de aproximadamente 1,5%, na acurácia do sistema quando comparados com técnicas classicamente utilizadas em BCI, como a transformada discreta de FourierAbstract: A brain-computer interface (BCI) is a system that allows the transmission of information from the brain to a computer by exploring direct and distinct mechanisms from the conventional ones for such communication. In essence, a BCI records brain electrical activity using sensors and interprets these recordings in order to produce a command for an application, such as the control of an automated wheelchair. There are several BCI paradigms, each exploring different neurophysiological characteristics of the human brain. One of these paradigms is based on steady-state visually evoked potentials (SSVEP). In a BCI-SSVEP the individual must focus his attention on different visual stimuli, which are continuously exposed with different frequencies. Then, the challenge of the interface is to identify the frequency corresponding to the visual stimulus on which the user is concentrated, based on electroencephalographic (EEG) signals. For this, the BCI processes the brain signals in order to remove artifacts and, more importantly, to extract relevant features in order to obtain a discriminative representation that contributes to the correct classification of signals, in order to identify the visual stimulus selected by the user, which encodes a desired action. A technique known as autoencoder (AE) has gained special attention in the last decades due to its ability to discover advantageous representations for a dataset. Essentially, autoencoders are artificial neural networks composed of two parts ¿- encoder and decoder -- whose roles are, respectively, to create the internal representation (named code) for the input data, and to reconstruct the input data from the generated code. Thus, the encoder corresponds to a powerful nonlinear feature extractor. In this work, was investigated the use of AEs to perform the feature extraction in a BCI-SSVEP. Different AE approaches have been analyzed, both in time and frequency domains, considering two classifiers: logistic regression and support-vector machine (SVM). The obtained results reveal that, in some cases, the AEs can offer a modest improvement, approximately of 1.5%, in the system accuracy when compared to classical techniques used in BCIs, such as the discrete Fourier transformMestradoEngenharia de ComputaçãoMestre em Engenharia ElétricaCAPES88887.363068/2019-00[s.n.]Boccato, Levy, 1986-Ferrari, RafaelLeite, Sarah Negreiros de CarvalhoUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASGranzotti, Rafael Aparecido, 1993-20202020-11-30T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (75 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1640587GRANZOTTI, Rafael Aparecido. Extração de características via "autoencoders" aplicada a interfaces cérebro-computador baseadas em potenciais evocados visualmente em regime estacionário. 2020. 1 recurso online (75 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1640587. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1161615Requisitos 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/openAccess2021-03-06T13:48:22Zoai::1161615Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2021-03-06T13:48:22Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Extração de características via "autoencoders" aplicada a interfaces cérebro-computador baseadas em potenciais evocados visualmente em regime estacionário
Feature extraction via autoencoders applied to brain-computer interfaces based on steady-state visually evoked potentials
title Extração de características via "autoencoders" aplicada a interfaces cérebro-computador baseadas em potenciais evocados visualmente em regime estacionário
spellingShingle Extração de características via "autoencoders" aplicada a interfaces cérebro-computador baseadas em potenciais evocados visualmente em regime estacionário
Granzotti, Rafael Aparecido, 1993-
Interfaces cérebro-computador
Potenciais evocados
Aprendizado profundo
Redes neurais (Computação)
Brain-Computer Interface
Evoked potentials
Deep learning
Neural networks (Computation)
title_short Extração de características via "autoencoders" aplicada a interfaces cérebro-computador baseadas em potenciais evocados visualmente em regime estacionário
title_full Extração de características via "autoencoders" aplicada a interfaces cérebro-computador baseadas em potenciais evocados visualmente em regime estacionário
title_fullStr Extração de características via "autoencoders" aplicada a interfaces cérebro-computador baseadas em potenciais evocados visualmente em regime estacionário
title_full_unstemmed Extração de características via "autoencoders" aplicada a interfaces cérebro-computador baseadas em potenciais evocados visualmente em regime estacionário
title_sort Extração de características via "autoencoders" aplicada a interfaces cérebro-computador baseadas em potenciais evocados visualmente em regime estacionário
author Granzotti, Rafael Aparecido, 1993-
author_facet Granzotti, Rafael Aparecido, 1993-
author_role author
dc.contributor.none.fl_str_mv Boccato, Levy, 1986-
Ferrari, Rafael
Leite, Sarah Negreiros de Carvalho
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 Granzotti, Rafael Aparecido, 1993-
dc.subject.por.fl_str_mv Interfaces cérebro-computador
Potenciais evocados
Aprendizado profundo
Redes neurais (Computação)
Brain-Computer Interface
Evoked potentials
Deep learning
Neural networks (Computation)
topic Interfaces cérebro-computador
Potenciais evocados
Aprendizado profundo
Redes neurais (Computação)
Brain-Computer Interface
Evoked potentials
Deep learning
Neural networks (Computation)
description Orientador: Levy Boccato
publishDate 2020
dc.date.none.fl_str_mv 2020
2020-11-30T00:00:00Z
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/20.500.12733/1640587
GRANZOTTI, Rafael Aparecido. Extração de características via "autoencoders" aplicada a interfaces cérebro-computador baseadas em potenciais evocados visualmente em regime estacionário. 2020. 1 recurso online (75 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1640587. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/1640587
identifier_str_mv GRANZOTTI, Rafael Aparecido. Extração de características via "autoencoders" aplicada a interfaces cérebro-computador baseadas em potenciais evocados visualmente em regime estacionário. 2020. 1 recurso online (75 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1640587. 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/1161615
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 (75 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_ 1809189169932533760