1.

Processamento de Sinais

Em processamento de sinais veremos os mtodos aplicados aos sinais

registrados no BCI que vo desde sinais brutos extrados por mtodos
invasivos at sinais mais brandos como os utilizados por ns, chamado de
EEG, no invasivo. Abordagens no invasivas tais como o EEG so baseados
em sinais que refletem a atividade de vrios milhares de neurnios,
enquanto nos mtodos invasivos consegue-se pegar o sinal de um neurnio
apenas. Por exemplo, os movimentos tipicamente evidentes e imaginrios
de ativar reas sensrio-motoras primrias, resultando em mudanas de
amplitude nas ondas mu (alfa 8 - 12 Hz), beta ( 13 30 Hz) e gama (>30
Hz). A existncia de tais atividades oscilatrias faz a anlise, tal como a
anlise de Fourier, dos sinais no domnio da frequncia particularmente til.
(4.2 Frequency domain analysis, pgina 40 braincomputer interfacing Rao, Rajesh P. N.
2013)

1.1.Anlise de Fourier
A idia bsica por trs da transformada de Fourier decompor um sinal
varivel no tempo s (t), definida ao longo de um intervalo t = -T / 2 para t =
T / 2, para uma soma ponderada de seno e cosseno de ondas em
frequncias diferentes.

(1)
onde a frequncia angular, definida como = 2 / T, e f a frequncia
comum (medida em Hertz ou ciclos por segundo), definido como f = 1 / T. O
intervalo de tempo T pode ser visto como o perodo de um sinal peridico de
s(t). A expanso acima de s(t) em uma soma de termos infinitos chamada
de srie de Fourier ou expanso de Fourier.
Suponha que voc tem uma funo degrau que um valor positivo
constante por algum tempo e, em seguida, torna-se um valor negativo
constante, seguido pelo valor positivo original novamente. Como mostrado
na figura 1, voc pode aproximar a funo de passo, adicionando ondas
senoidais de diferentes freqncias, cada uma ponderada por uma
amplitude diferente. A funo de passo pode assim ser decomposta em um
conjunto de funes seno (um nmero potencialmente infinito deles) de

freqncias e amplitudes especficas.

A figura 1 mostra como uma funo passo pode ser aproximada como uma soma ponderada das funes
seno de diferentes frequncias e amplitudes. A - funo degrau que se alterna entre um valor constante
positivo (0,8) e um valor negativo constante (-0,8). B - sin (x). C - sin (x) + (1/3) sin (3x). D - sin (x) +
(1/3) sin (3x) + (1/5) pecado (5x) + .. + (1/11) pecado (11x). E - sin (x) + (1/3) sin (3x) + .. + (1/51)
pecado (51x). F - sin (x) + (1/3) sin (3x) + .. + (1/151) pecado (151x).
(Imagem: 4.2.1 Fourier Analysis, pgina 40 braincomputer interfacing Rao, Rajesh P. N. 2013)

Apesar de no entrar em detalhes aqui, deve-se notar que o sinal s(t) tem
de cumprir determinadas condies razoveis (como permanecendo
limitado) para a expanso de existir. Podemos tambm, considerar o seno e
o cosseno na equao como "funes de base". Estas funes base pode ser
resumida com diferentes pesos para produzir diferentes tipos de sinais.
Estimar os coeficientes na equao consiste em multiplicar o sinal original
com o cosseno ou seno correspondente e somando ao longo do tempo:

(2)
Pode-se considerar essas equaes como basicamente realizando uma
correlao cruzada entre o sinal de entrada e cosseno ou seno de uma
freqncia particular.
Podemos obter uma forma mais simples da srie de Fourier deixando os
coeficientes de ser nmeros complexos. Lembre-se que os nmeros

complexos so da forma

a+ jb

j= 1 . Assim

onde

definimos um nico conjunto de coeficientes:

(3)
Com isso a srie de Fourier torna-se:

(4)
Onde:

(5)
Essa transformao para o conjunto de coeficientes dadas pela equao 4
tambm chamada a transformada de Fourier do sinal

s (t) .

1.2.Anlise no domnio da Frequncia

1.2.1. Transformada de Fourier Discreta (DFT)
Para aplicaes BCI, os sinais cerebrais so normalmente amostrados em
intervalos de tempo discretos. A srie de fourier discutida acima pode ser
modificada para se aplicar a um sinal amostrado, discretamente. A
transformada de Fourier discreta toma como entrada uma srie temporal s
(t) amostrado em pontos de tempo

t=0, ...T 1

e transforma-lo para os

correspondentes coeficientes complexos de Fourier.

(6)
onde w = 2pi / T como antes.
Em aplicaes tpicas do BCI, estamos interessados nas diferentes
componentes de freqncia durante o curso de uma tarefa. Embora o
espectro de amplitude possam ser usadas para este fim, mais comum
usar o espectro de potncia do sinal:

(7)
1.2.2. Transformada de Fourier Rpida (FFT)
Calcular a DFT com base na sua definio acima, pode ser bastante lento. A
transformada rpida de Fourier uma maneira mais eficiente de clculo da
DFT. Ela executado no tempo de aproximadamente

T log T , o que pode

resultar em grande economia de tempo de clculo para tamanhos grandes

T (na casa do milhes). O algoritmo FFT mais freqente, o algoritmo de
Cooley-Tukey, utiliza uma estratgia de dividir e conquistar e de forma
recursiva rompe a DFT em vrias DFTs menores.
2. Anlise Wavelet
A transformada de Fourier representa um sinal original com um conjunto de
funes de base, ou seja, senos e cossenos de diferentes frequncias. No
entanto, como senos e cossenos ocupam uma extenso temporal, infinita, a
transformada de Fourier faz um trabalho pobre de representar sinais que
so finitos e no-peridicos, ou tm picos e descontinuidades.
Alm disso, os sinais do crebro, tais como o EEG so tipicamente no
estacionrios, quebrando o regra de que necessrio um sinal estacionrio
para a anlise de Fourier. Uma forma de abordar este problema realizar a
anlise de Fourier sobre as janelas de tempo curtos, um procedimento
conhecido como o curto perodo de tempo da transformada de Fourier
(STFT). A STFT porm deixa em aberto a questo do tamanho da janela,
com pequenas janelas proporcionando boa resoluo de freqncia
temporal, mas pobre resoluo de frequncia ou janelas grandes,
proporcionando uma melhor resoluo de freqncia, mas baixa resoluo
temporal. Essa constatao levou ao desenvolvimento da transformada
wavelet, que procura alcanar o melhor equilbrio entre a resoluo
temporal e de frequncia.
Como no caso da transformada de Fourier, a transformada wavelet
representa o sinal original como uma combinao linear de funes de base,
neste caso, as ondulaes. A anlise do sinal realizada utilizando os
coeficientes de wavelet correspondentes. A maioria dos pacotes de
processamento de sinal atuais incluem a transformada wavelet como uma
das opes disponveis e fornecmr uma variedade de opes para a wavelet
me.

Na Figura 2 o sinal EEG no topo uma mdia ao longo de vrios ensaios. Este sinal pode ser decomposto
em uma combinao linear ponderada dos wavelets mostrados abaixo (wavelets de a = 1 a 4 so
mostradas; aquelas de 8 a 16 no so apresentados). Cada wavelet uma verso reduzida e traduzida
de uma wavelet me (duas cpias traduzidas so mostrados em escala a = 1). O fator de escala
diminudo pelo ndice, que duplicado a cada passo at a=16. Isto leva a duas ondas em um a= 1, 4 at
a=2, 8 at a = 4, etc. Os coeficientes ou pesos, que representam a transformada wavelet para este sinal,
so mostradas como barras do lado direito. Note-se que estes coeficientes captura as vrias
caractersticas do sinal, a flutuao negativa entre 3 e 4 um "potencial evento relacionado" (ERP) e
capturado pelos grandes coeficientes de ondas 5 e 12 (from Hinterberger et al., 2003).
(Imagem: 4.3 Wavelet Analysis, pgina 46 braincomputer interfacing Rao, Rajesh P. N. 2013)

3. Anlise no Domnio do Tempo

3.1.Dimenso Fractal
De um modo geral, um sinal dito ser um fractal, se ele exibe a
propriedade de auto-similaridade: partes do sinal tendem a assemelhar-se o
conjunto, e repete esta semelhana de uma forma recursiva. A dimenso
fractal uma medida quantitativa da presente auto similaridade. Existem
vrias definies diferentes de dimenso fractal, mas uma medida popular
usado para sinais cerebrais (especialmente EEG) baseada em um mtodo
proposto por Higuchi.
O objectivo o de calcular o comprimento

L(k )

do sinal de entrada em

diferentes intervalos de tempo de k e estimar a dimenso fractal D a partir

da relao:

(8)
A dimenso fractal D para os sinais do crebro, tais como EEG pode variar
entre 1,4 e 1,7, com valores mais elevados em casos de atividades que
geram picos elevados, como convulses. Em aplicaes tpicas BCI, D
valores so calculados utilizando uma janela deslizante e utilizada como
caracterstica local para caracterizar a complexidade do sinal de tempo.
3.2.Filtros Espaciais

3.2.1. Anlise de Componentes Principais (PCA)

Suponha que temos N pontos de dados, onde cada um dos pontos de dados
L-dimensional. Por exemplo, um ponto de dados poderia ser o vetor de
sinais elctricos do crebro a partir de L eletrodos em um determinado
momento t, e o conjunto de dados pode ser N tais vectores L-dimensionais
recolhidos durante uma sesso experimental. O objetivo da anlise de
componentes principais descobrir a variabilidade estatstica subjacente
nos dados e reduzir a dimensionalidade dos dados a partir de L a um
nmero muito menor de dimenses M.
PCA atinge esse objetivo por encontrar as direes de mxima varincia nos
dados L-dimensionais e girar o sistema de coordenadas original para alinhar
com essas direes de varincia mxima.

A figura 3 ilustra a idia por trs do PCA, que encontra as direes de mxima varincia nos dados. Para
os dados bidimensionais mostrados (pontos mercado X), o sentido de varincia mxima ao longo da
diagonal do vetor (seta maior). O segundo vetor direcional encontrado por PCA ortogonal primeira e
mostrado pela seta curta. Uma vez que a maior parte da varincia ao longo do primeiro vector, pode-se
projetar todos os pontos de dados para este vetor e representar os dados de coordenadas com
unidimensionais (crculos) ao longo deste vector. Isto consegue uma reduo na dimensionalidade a
partir de duas dimenses para uma (embora com a perda de uma pequena quantidade de informao
sobre os dados ao longo do vetor dado pela seta curta). Semelhantes (mas muito maiores) redues de
dimensionalidade podem ser alcanadas para os dados de dimenses superiores, como imagens e sinais
do crebro multi-canal.
(Imagem: 4.5.2 Pincipal Component Analysis (PCA), pgina 56 braincomputer interfacing Rao,
Rajesh P. N. 2013)

4. Tcnicas de reduo de rudos

O mtodo no invasivo muito sucetvel a rudos de origem externa. Por

exemplo, muitas vezes encontrado rudos provenientes de linhas de
alimentao e artefatos causados por movimentos musculares ou oculares.
Para corrigir isso, uma verdadeira interface crebro-computador deve
possuir a capacidade de eliminar ou reduzir tais artefatos, de modo que os
sinais que so usados para controlar um dispositivo sejam de origem
unicamente a partir do crebro. Tcnicas de processamento de sinal podem
ser utilizadas para alcanar este objectivo.
Artefatos que se originam fora do corpo como os rudos provenientes das
lindas de transmisso podem ser reduzidos pelo uso da gaiola de Faraday,
um invlucro fsico feito de material condutor, para bloquear a interferncia
eltrica externa. Se isso no for possvel, pode-se fazer o uso de softwares
utilizando tcnicas de filtragem.
As condies ideiais para uma boa tomada de registros so o paciente estar
em repouso sensorial (olhos fechados) e dentro de uma sala em penumbra e
refrigerada, a fim de se evitar os artefatos de sudorese livre, to comumente
encontrados.
O mtodo mais simples para rejeitar quaisquer dados que est contaminado
bem simples. Se a magnitude do sinal coletado excede um thresshold prdeterminado, os sinais do crebro registrados durante essa poca so
consideradas potencialmente contaminadas, e rejeitados.