Rede neural artificial para detecção do estado ocular usando sinal de EEG
| dc.contributor.advisor1 | FERREIRA, Denis Vieira Gomes | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/2392198150359061 | pt_BR |
| dc.contributor.advisor1ORCID | https://orcid.org/0000-0002-2074-7246 | pt_BR |
| dc.creator | ALMEIDA, Juliano Mateus de | |
| dc.creator.Lattes | http://lattes.cnpq.br/3779247626569441 | pt_BR |
| dc.date.accessioned | 2024-03-22T15:22:28Z | |
| dc.date.available | 2024-03-22T15:22:28Z | |
| dc.date.issued | 2023-12-14 | |
| dc.description.abstract | This research delves into the application of artificial neural networks for detecting ocular states through Electroencephalogram (EEG) signals. The primary objective was to elucidate neurophysiology and expound upon the operation of a brain-computer interface system. A Multi-Layer Perceptron (MLP) Neural Network was employed to predict ocular states, distinguishing between open and closed eyes based on EEG signals. To achieve this, a dataset comprising 2-minute EEG readings from diverse experiments, wherein participants maintained either open or closed eyes, was utilized. Subsequently, this data underwent processing, statistical tabulation, and visualization through graphing, facilitated by the Python programming language to enhance interpretability. The development of the Neural Network was conducted in Python, utilizing the Scikit-learn, TensorFlow, and NumPy libraries. The architecture of the MLP network featured 5 neurons in the input layer, along with 2 hidden layers (the first comprising 20 neurons and the second, 35 neurons). The network underwent training over 100 epochs, culminating in a model accuracy of 94.77%. This effectively validated the artificial neural network's competence in classifying ocular states. Upon scrutinizing the confusion matrix, notable instances of true positives (TP) and true negatives (TN) were observed, with 6822 cases accurately identified for closed eyes and 6825 for open eyes. Nevertheless, there were 453 instances where the model erroneously predicted closed eyes when they were open, and vice versa, transpiring on 300 occasions. In conclusion, the research affirmed the efficacy of the model through metrics such as accuracy and the analysis of the Confusion Matrix. However, it is imperative to acknowledge that this analysis does not exhaust the opportunities for applying supplementary methods to explore diverse approaches in validating the proposed model. Furthermore, it is noteworthy that comprehending the obtained results and endeavoring to formulate a more effective architecture for addressing the proposed problem can be a formidable challenge. | en |
| dc.description.resumo | Este trabalho aborda a aplicação de redes neurais artificiais na detecção do estado ocular através do sinal de Eletroencefalograma (EEG). O objetivo foi descrever a neurofisiologia, bem como o funcionamento de um sistema de interface cérebro-computador, utilizando uma Rede Neural do tipo Perceptron de Múltiplas Camadas (MLP - Multi Layer Perceptron) para prever o estado ocular, distinguindo entre olhos abertos e fechados com base nos sinais de EEG. Para isso, empregou-se uma base de dados contendo leituras de 2 minutos de EEG obtidas em diferentes experimentos nos quais os participantes mantiveram os olhos fechados e abertos. Posteriormente, esses dados foram tratados, tabulados estatisticamente e visualizados em gráficos utilizando a linguagem de programação Python para facilitar a interpretação. O desenvolvimento da Rede Neural foi realizado em linguagem de programação no Python, utilizando as bibliotecas Scikit-learn, TensorFlow e NumPy. A arquitetura da rede MLP consistiu em 5 neurônios na camada de entrada, 2 camadas ocultas (a primeira com 20 neurônios e a segunda com 35 neurônios) e foi treinada ao longo de 100 épocas. Como resultado o modelo alcançou uma acurácia de 94,77%, validando efetivamente a rede neural artificial na classificação do estado ocular. Ao examinar a matriz de confusão, destacam-se os verdadeiros positivos (TP) e verdadeiros negativos (TN), registrando 6822 casos corretamente identificados para olhos fechados e 6825 para olhos abertos. Contudo, houve 453 casos em que o modelo previu erroneamente que os olhos estavam fechados quando estavam abertos, e vice-versa, em 300 ocasiões. Consequentemente, a pesquisa confirmou a eficácia do modelo por meio de métricas como acurácia e análise da Matriz de Confusão. No entanto, essa análise não exaure as oportunidades de aplicar métodos adicionais para explorar diferentes abordagens de validação do modelo proposto. Valendo ainda ressaltar que muitas vezes, compreender os resultados obtidos e buscar uma arquitetura mais eficaz para a resolução do problema proposto tornar-se desafiador. | pt_BR |
| dc.identifier.citation | ALMEIDA, Juliano Mateus de. Rede neural artificial para detecção do estado ocular usando sinal de EEG. Orientador: Denis Vieira Gomes Ferreira. 2023. 55 f. Trabalho de Conclusão de Curso (Bacharelado em Medicina) - Campus Universitário de Altamira, Universidade Federal do Pará, Altamira, 2023. Disponível em: https://bdm.ufpa.br/jspui/handle/prefix/6938. Acesso em:. | pt_BR |
| dc.identifier.uri | https://bdm.ufpa.br/jspui/handle/prefix/6938 | |
| dc.rights | Acesso Aberto | pt_BR |
| dc.source.uri | Disponível via internet correio eletrônico: bibaltamira@ufpa.br | pt_BR |
| dc.subject | Sistema nervoso | pt_BR |
| dc.subject | Rede neural artificial | pt_BR |
| dc.subject | EEG | pt_BR |
| dc.subject | Nervous system | en |
| dc.subject | Artificial neural network | en |
| dc.subject.cnpq | CNPQ::CIENCIAS DA SAUDE::MEDICINA::CLINICA MEDICA::NEUROLOGIA | pt_BR |
| dc.title | Rede neural artificial para detecção do estado ocular usando sinal de EEG | pt_BR |
| dc.type | Trabalho de Curso - Graduação - Monografia | pt_BR |