Navegando por Assunto "Brain-computer interface"
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 - Relatório Acesso aberto (Open Access) Interface Cérebro-Máquina: uma abordagem ótima via distância de Riemann por subbanda(2024-11-01) ANJOS, Leilane de Jesus; SILVA, Cleison Daniel; http://lattes.cnpq.br/1445401605385329; https://orcid.org/0000-0001-8280-2928Este trabalho, apresenta o relatório de pesquisa intitulado "Interface Cérebro-Máquina: uma abordagem ótima via distância de Riemann", desenvolvido entre 01 de setembro de 2023 à 31 de agosto de 2024, durante a execução do projeto de pesquisa denominado "Técnicas de otimização aplicadas a Interface Cérebro-Máquina", financiado pela Fundação Amazônica de Amparo a Estudos e Pesquisas, sob orientação do professor Dr. Cleison Daniel Silva. Este trabalho foi elaborado seguindo a resolução nº1/2024 da Faculdade de Engenharia Elétrica- CAMTUC, que regulamenta os termos da flexibilização do Trabalho de Curso na IN nº5/2023 da PROEG-UFPA. Sistemas de Interface Cérebro Máquina (ICM) são tecnologias capazes realizar a comunicação entre o cérebro humano e dispositivos externos, a partir de sinais neurais, que podem ser coletadas, através de técnicas de neuroimagem como a eletroencefalografia (EEG), processadas e convertidas em comandos. O estudo da pesquisa, concentra-se em melhorar o desempenho de classificação em sistemas de ICM baseados em imagética motora usando o método de Mínima distância a Média de Riemann (do inglês Minimum Distance to Riemann Mean - MDRM) através do algoritmo de classificação Distância Mínima à Média (do inglês Minimum Distance to Mean - MDM) para a extração de informações discriminantes a partir de sinais de EEG representados por matrizes de covariância simétricas positivas definidas por sub-banda, formando uma representação normalizada dos sinais de EEG que são entregues ao algoritmo de classificação Máquina de Vetor de Suporte (do inglês Support Vector Machine). Os hiperparâmetros relacionados a faixa de frequência de interesse, número de sub-bandas e parâmetros do classificador, são ajustados por meio da Otimização Bayesiana de modo a lidar com as características inter e intra sujeitos, permitindo ajustes individuais. Os resultados obtidos a partir de um conjunto de dados públicos apresentaram melhorias significativas em comparação como um método previamente proposto. A acurácia do classificador foi utilizada para a comparação, servido de base para discussões e conclusões da pesquisa.Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Otimização de interfaces cérebro-máquina baseadas em imagética motora por seleção de features e combinação de modelos: compilado de artigos publicados em 2024 e 2025(2026-05-26) DOURADO, Guilherme da Costa; SILVA, Cleison Daniel; http://lattes.cnpq.br/1445401605385329; https://orcid.org/0000-0001-8280-2928Este Trabalho de Conclusão de Curso aborda o estudo e a otimização de sistemas de Inter faces Cérebro-Máquina (ICM) baseadas em Imagética Motora (IM), com foco na melhoria da precisão e da robustez de classificadores aplicados a sinais de Eletroencefalografia (EEG). O trabalho está dividido em dois estudos complementares, ambos utilizando o conjunto de dados público 2a da IV Competição de ICM. No primeiro estudo, foi investigado o impacto da seleção de features sobre o desempenho de sistemas ICM-IM. A metodologia incluiu filtragem por sub-bandas, aplicação do método Common Spatial Pattern (CSP) para geração de vetores de características e seleção por meio dos algoritmos Least Absolute Shrinkage and Selection Operator (LASSO) e SelectKBest, seguida de classificação com Support Vector Machine (SVM). Os resultados indicaram um ganho médio de 2% na acurácia da classificação, demonstrando que a seleção criteriosa de características contribui para reduzir redundâncias e aprimorar o desempenho dos classificadores. No segundo estudo, foram exploradas técnicas de aprendizado em conjunto, como Bagging e Soft Voting, aplicadas à combinação de modelos personalizados via otimização Bayesiana. As análises mostraram um aumento médio de 14,4% nos valores do índice Kappa médio (κm), métrica que avalia a concordância entre as predições do classificador e os rótulos reais, em relação aos modelos individuais. Entretanto, não foi observada significância estatística nos valores de zκ, indicando que os ganhos permaneceram sensíveis à variabilidade individual dos sinais de EEG. Em conjunto, os dois estudos configuram uma proposta de otimização em múltiplos estágios para sistemas de ICM, contribuindo para o desenvolvimento de soluções mais precisas, interpretáveis e adaptáveis, com potencial aplicação em contextos clínicos e assistivos.