Faculdade de Engenharia da Computação - FECOMP/CAMTUC
URI Permanente para esta coleção
Campus de Tucuruí /
Bibliotecária: Mayara de Kassia Pinheiro Menezes
Whatsapp: (94) 98199-9226
E-mail: bibliocamtuc@ufpa.br
Facebook: https://www.facebook.com/bibcamtuc/
Instagram: https://www.instagram.com/bcamtuc/
Navegar
Navegando Faculdade de Engenharia da Computação - FECOMP/CAMTUC por Orientador "SILVA, Cleison Daniel"
Agora exibindo 1 - 3 de 3
Resultados por página
Opções de Ordenação
Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Interface cérebro-máquina baseada em potenciais visualmente evocados: análise de extração de épocas(2023-12-15) DIAS, Fablena Kathllen Nascimento; SILVA, Cleison Daniel; http://lattes.cnpq.br/1445401605385329; https://orcid.org/0000-0001-8280-2928A Interface Cérebro-Máquina (ICM) busca não apenas compreender, mas também otimizar os complexos processos neurais, estabelecendo uma comunicação entre o cérebro e um dispositivo eletrônico. A neurociência aplicada à ICM envolve o estudo dos sinais cerebrais para identificar padrões associados a intenções específicas, permitindo a criação de algoritmos capazes de interpretar essas intenções em comandos para controle de dispositivos, a evolução dessa área promissora se destaca por impulsionar a compreensão dos processos cerebrais e oferecer soluções práticas, como melhorias na qualidade de vida para pessoas com limitações motoras. Os sistemas ICM baseados em Steady State Visually Evoked Potential (SSVEP) usam respostas cerebrais a qualquer estímulo visual piscando em uma frequência constante como comando de entrada para um aplicativo ou dispositivo externo, embora seja amplamente utilizado para muitas aplicações, existem características do sistema que devem ser analisadas e discutidas visando aumentar o desempenho da aplicação. Este estudo aborda o préprocessamento, extração de características e classificação nas etapas de processamento digital de sinais em uma ICM baseada SSVEP. Os resultados incluem análises comparativas da extração de épocas em cinco diferentes tamanhos (2s, 1s, 500ms, 250ms, 125ms) para sinais de eletroencefalograma (EEG) em uma Interface Cérebro-Máquina diante de estímulos em três frequências distintas de SSVEP (8Hz, 14Hz e 28Hz). As acurácias de classificação são apresentadas para cada análise. Os resultados obtidos por meio da classificação do sistema revelam que épocas com durações maiores apresentam melhor desempenho. Entretanto, é notório que, ao analisar épocas com menor duração, estas possuem desempenho razoável, oferecendo eficácia para o cenário e proporcionando maior número de comandos aplicáveis em uma configuração de ICM-SSVEP.Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Sistema de classificação de imagens utilizando uma rede neural Squeezenet embarcada em uma Raspberry Pi(2023-07-10) SILVA, Kamilla Taiwhscki Barros; SILVA, Cleison Daniel; http://lattes.cnpq.br/1445401605385329; https://orcid.org/0000-0001-8280-2928A Visão Computacional é um campo da Inteligência Artificial caracterizado pelo estudo das informações existentes em imagens, identificando suas características intrínsecas. O estudo da Visão Computacional tem como objetivo a criação de modelos artificiais que imitem as habilidades analíticas da visão humana, para isso são utilizados conceitos de Processamento Digital de Imagens para extrair informações a serem estudadas. Realizar essas operações exige uma grande quantidade de dados para ser efetiva e para isso necessitam-se de algoritmos capazes de processarem essas informações. Nesse contexto, algoritmos de Aprendizado Profundo são ideais para trabalharem com uma imensa quantidade de dados, visto estes possuem eficiência e eficácia para tal. Dessa forma, o uso de Redes Neurais para este propósito se torna bastante adequado, pois essa ferramenta permite que seja possível aprender a partir de um conjunto de exemplos de forma que a generalização dos dados seja adequada aos exemplos fornecidos. No caso de imagens, Redes Neurais Convolucionais são o estado da arte na área de Visão Computacional, sendo possível observar diversas aplicações que envolvem a classificação de imagens, identificação de objetos e reconhecimento de faces. Porém, esses algoritmos são robustos e apresentam uma complexa implementação, possuindo diversos parâmetros livres que são determinados durante a execução, exigindo que o hardware que o comporta possua elevada capacidade computacional para funcionar sem erros ou com tempo de execução exacerbado. Para o caso de sistemas embarcados que necessitam de baixo custo de implementação, computadores de placa única são comumente adotados, considerando que tais hardwares podem ser aplicados em diversos contextos e possuem baixo custo de execução. Todavia, esses dispositivos são restritos em relação ao poder computacional e é necessário um grande estudo das técnicas que permitam a execução de algoritmos complexos em seus hardwares. Dessa forma, este trabalho tem o intuito de apresentar um exemplo de implementação de um classificador de imagens em um Computador de Placa Única com uma Rede Neural Convolucional (CNN) sendo executada. São expostos os conceitos de CNNs e de Processamento Digital de Imagens utilizados durante o desenvolvimento do projeto. O classificador desenvolvido captura imagens de dígitos manuscritos e classifica-os em tempo real em 10 classes distribuídas de 0 a 9. Além disso, demonstra-se as técnicas de Processamento Digital de Imagens desenvolvidas, que utilizam o Filtro Gaussiano para aproximar as imagens utilizadas para o treinamento da CNN e as imagens utilizadas durante o teste do classificador embarcado. Os resultados da classificação do sistema demonstram-se razoáveis para o cenário estabelecido, sendo resultados relevantes para o trabalho em questão, em especial ao que diz respeito a acurácia de classificação do sistema de 76% e uma precisão de 80% ao classificar as imagens.Trabalho de Curso - Graduação - Artigo Acesso aberto (Open Access) Sistemas de interface cérebro-máquina: classificação de imagética motora via geometria de Riemann com otimização bayesiana(2023-12-19) LOPES, Danilo de Sousa; SILVA, Cleison Daniel; http://lattes.cnpq.br/1445401605385329; https://orcid.org/0000-0001-8280-2928Neste estudo, é apresentada uma nova metodologia para aprimorar o desempenho de sistemas de Interface Cérebro-Máquina baseados em Imagética Motora. Utilizaram-se informações de diferentes regiões do espectro dos sinais de eletroencefalografia, representadas como matrizes de covariância ponderadas pelo janelamento de sub-bandas no espaço Riemanniano. Para classificar essas matrizes, foi empregado o algoritmo Distância Mínima à Média de Riemann. Os hiperparâmetro que influenciam a faixa de frequência de interesse, comprimento da sub-banda e taxa de sobreposição, são refinados por meio da Otimização Bayesiana, que proporcionou novos graus de liberdade de ajustes individuais. Para a fusão da classificação das matrizes, foi adotado o algoritmo Light Gradient Boosting Machine, baseado no m´método Ensemble, que assegura uma melhor precisão final do modelo e alto desempenho na classificação da Imagética Motora. Os experimentos foram conduzidos com o conjunto de dados IIa da IV Competição Internacional de Interface Cérebro-Máquina, e, apesar dos resultados superiores em apenas dois sujeitos, não foram observadas melhorias substanciais em relação à abordagem do estado da arte. Ainda assim, a metodologia é promissora e indica potencial para futuras otimizações e desenvolvimentos.