Escolar Documentos
Profissional Documentos
Cultura Documentos
Controlling An Autonomous Car Through A Brain Computer Interface
Controlling An Autonomous Car Through A Brain Computer Interface
CENTRO TECNOLGICO
DEPARTAMENTO DE ENGENHARIA ELTRICA
Vitria
2014
Dissertao apresentada ao Programa de PsGraduao em Engenharia Eltrica do Centro Tecnolgico da Universidade Federal do
Esprito Santo, como requisito parcial para
obteno do ttulo de Mestre em Engenharia
Eltrica, na linha de pesquisa de Robtica.
Vitria
2014
Vitria
2014
Acknowledgements
Agradecimentos principais para meu orientador professor Teodiano Bastos, a quem
agradeo de corao pela confiana posta em mim e em meu trabalho. No percurso de
qualquer atividade sempre importante saber que no se est sozinho; seu acompanhamento
foi essencial para poder falar com segurana que hoje sou PESQUISADOR. Espero no
futuro que minha presena faa por si s o que faz a de meu orientador: "Cad os artigos?"
Agradecimentos especiais so dirigidos a Sandra Muller, Eliete Caldeira, John
Villarejo, Anibal Cotrina, Laura Vargas, Carlos Valado, Christiane Goulart, Denis Delisle,
Cecilia Parra, Berthil Longo, Alan Floriano, Alessandro Botti, Flavia Aparecida, Alexandre
Pomer, Viviane Cardoso e Richard1 , e a todos aqueles que contriburam para que minha
produo de trabalhos cientficos e acadmicos fosse possvel.
Agradeo tambm ao Programa de Ps-Graduao em Engenharia Eltrica2 da Universidade Federal do Esprito Santo (UFES), pela oportunidade de tornar-me pesquisador.
1
2
Abstract
Neste trabalho descrito o desenvolvimento de uma Interface Crebro-Computador (ICC)
para o comando de um veculo autnomo, com base no paradigma de Potenciais Evocados
Visuais de Regime Permanente (SSVEP, do ingls Steady State Visual Event Potential)
e deteco de eventos relacionados desincronizao (ERD, do ingls Event Related
Desynchronization). Atravs de uma interface grfica apresentada a um usurio no interior
do veculo autnomo, so exibidos os possveis destinos onde ele deseja ir. A seleo de
comando realizada atravs de estmulos visuais e registro de sinais cerebrais. Os sinais
so capturados na regio occipital do couro cabeludo, e so processados, com vista a obter
os dados necessrios para o sistema de planejamento do veculo autnomo. Os testes feitos
permitiram obter taxas de sucesso de at 90% e 83% para as ICCs sncronas e assncronas,
respectivamente. O sistema proposto uma interface hbrida que inclui a capacidade de
ativar e desativar os estmulos visuais, tambm reduzindo a fadiga associada ao uso de
interfaces baseadas em SSVEP.
Palavras-chaves: SSVEP, ICC, ICC-Hbrida, Veculo Autnomo.
Abstract
This work describes the development of a Brain-Computer Interface (BCI) for controlling
an autonomous car, based on the paradigm of Steady State Visual Evoked Potential
(SSVEP) and detection of event-related desynchronization (ERD). Through a graphical
interface presented to the user within an autonomous car, possible destinations where
he/she wants to go are shown. The selection of command is performed through visual stimuli
and brain signals. The signals are captured on the occipital region of the scalp, and are
processed in order to obtain the necessary data to the planning system of the autonomous
car. Test performed obtained maximum success rate 90% and 80% for synchronous and
asynchronous BCIs, respectively. The proposed system is a hybrid-BCI, which includes
the ability to enable and disable the visual stimuli, reducing fatigue associated to the use
of SSVEP-based interfaces.
Resumen
En este documento es descrito el desarrollo de una interfaz cerebro-computador (ICC) para
el control de un vehculo autnomo, basado en el paradigma de los potenciales evocados
visuales de rgimen permanente (SSVEP, del ingles Steady State Visual Evoked Potential)
y la deteccin de eventos relacionados a la desincronizacin (ERD, del ingles Event Related
Desynchronization). A travs de una interfaz grfica presentada a un usuario dentro de un
vehculo autnomo, se muestran los posibles destinos donde este puede ir. El comando de
seleccin se lleva a cabo a travs de estmulos visuales y el registro de las seales cerebrales.
Las seales son capturadas en la regin occipital del cuero cabelludo, y se procesan con el
fin de obtener informacin necesaria para el sistema de planificacin del vehculo autnomo.
Las pruebas realizadas presentaron tasas de acierto de hasta el 90% y 83% para las ICCs
sncrona y asncrona, respectivamente. El sistema propuesto es una ICC-hbrida que incluye
la posibilidad de activar y desactivar los estmulos visuales, reduciendo la fatiga asociada
con el uso de interfaces basadas en SSVEP.
Palabras clave: SSVEP, ICC, ICC-Hbrida, Vehculo Autnomo.
List of Figures
Figure 1 Veculo autnomo da Universidade Federal do Esprito Santo - UFES. . 30
Figure 2 Mapa conceitual das Interfaces Crebro-Computador adaptado de (GRAIMANN;
ALLISON; PFURTSCHELLER, 2010). . . . . . . . . . . . . . . . . . . 35
Figure 3 Esquema geral de uma Interface Cerbro Computador (ICC).
. . . . . 37
. . . . . . . . . . . . . 48
. 77
. 78
. 79
. 97
. 98
. 99
List of Tables
Table 1 Caractersticas dos dispositivos utilizados para o monitoramento de sinais
cerebrais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Table 2 Principais pesquisas robticas sobre veculos autnomos. . . . . . . . .
Table 3 Algumas interfaces para o comando de veculos autnomos. . . . . . .
Table 4 Resultados dos testes para 19 usurios, onde 6 deles (*) apresentam
algum tipo de deficincia motora. . . . . . . . . . . . . . . . . . . . . .
Table 5 Resultados para a ICC assncrona . . . . . . . . . . . . . . . . . . . .
Table 6 Resultados para ICC sncrona on-line . . . . . . . . . . . . . . . . . .
Table 7 Resultados para ICC assncrona on-line. . . . . . . . . . . . . . . . . .
. 34
. 45
. 63
.
.
.
.
75
77
78
78
CARMEN
CCA
ECoG
Electrocorticography
EEG
Electroencephalography
ERD
ERS
FFT
fMRI
GPS
GRAFCET
H-PSDA-CCA
IARA
ICC
Interface Crebro-Computador
ICC-Hbrida
ICC-SSVEP
IEC
IPC
Inter-Process Communication
ITR
LASSO
MEG
Magnetoencephalography
MSI
NIRS
PET
PSDA
SCP
SFC
SOA
SSVEP
List of symbols
Pertence
Contents
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1
1.1
Classificao da ICC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.1.1
Potenciais evocados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.1.2
Ritmos EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.2
1.3
Aquisio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.4
VECULOS AUTNOMOS . . . . . . . . . . . . . . . . . . . . . . . 41
2.1
2.2
2.2.1
2.2.2
2.2.3
2.2.3.1
3.1
Preprocessamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2
Extrao de Caractersticas . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.1
Domnio da frequncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.1.1
3.2.2
Domnio do tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2.2.1
3.2.2.2
3.2.2.3
3.2.3
Hbrido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.2.3.1
. . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
49
51
. . . . . . . . . . . . . . . . . . . . . . .
53
. . . . . . . . . . . .
53
. . . . . . . . . . . . . . . . . . . .
54
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
3.3
Classificao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.3.1
Reclassificao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.4
3.4.1
3.4.1.1
Envoltria do sinal
3.4.1.2
Filtro Mediana
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
59
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
59
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.1.3
Comparador
59
3.5
Medidas de desempenho . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.0.1
4.1
4.2
4.2.1
GRAFCET . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.2.2
Etapas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.3
Aes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.4
Transies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.5
Ligaes orientadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.6
Receptividade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.2.7
Regras de programao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.2.8
RESULTADOS E DISCUSSO . . . . . . . . . . . . . . . . . . . . . 73
5.1
Resultados Off-line . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.1.1
5.1.2
5.1.3
5.2
Resultados On-line . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.2.1
5.2.2
5.2.3
5.3
Discusso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
CONCLUSES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Concluses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Bibliography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
ANEXOS
95
ANEXO A GRAFCET . . . . . . . . . . . . . . . . . . . . . . . . 97
ANEXO B EMOTIV CERTIFICADO DE CONFORMIDADE
. . 101
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
29
Introduo
Uma Interface Crebro-Computador (ICC) um canal de comunicao no muscular
para a transmisso de sinais a partir do crebro para o mundo exterior. Neste tipo de
interface as decises mentais so transformadas em sinais de controle atravs da anlise
da atividade bioeltrica do crebro, o que permite ao usurio interagir com a interface
propriamente dita (WOLPAW et al., 2002). Uma ICC pode opera a partir de um paradigma
de sinais eletroencefalogrficos (EEG) e pode ser baseada em imaginao motora, variao
do ritmo ou potenciais evocados. Dentre os potenciais evocados, destacam-se os Potenciais
Evocados Visuais de Regime Permanente (SSVEP, do ingls Steady State Visual Evoked
Potential). Estes potenciais refletem nos sinais EEG a frequncia do estmulo visual
observado pelo usurio em uma tela de vdeo ou outra fonte de estmulos. Uma ICC com
base nesses potenciais chamada ICC-SSVEP (MLLER; BASTOS; SARCINELLI, 2013).
No processo de comandar um veculo autnomo necessrio gerar informaes
relevantes sobre o destino ou o caminho a seguir. O uso de sinais do crebro fornece ento
um novo canal de comunicao atravs do qual podem-se gerar aes para comandar um
veculo autnomo equipado com sistemas de navegao, sistemas de proteo e anti-coliso.
De uma forma geral, o usurio ter apenas que realizar a tomada de decises de alto
nvel, sendo as decises de controle tomadas pelo sistema de bordo do veculo. Um veculo
autnomo qualquer veculo no tripulado integrado com algum nvel de autonomia
(isso inclui desde veculos teleoperados at veculos totalmente inteligentes)(LOBO, 2005).
Dentre as principais caractersticas dos veculos autnomos, temos: a capacidade de se
localizar, se orientar e realizar o planejamento do caminho. Estas capacidades de navegao
exigem um comportamento reativo, com a possibilidade de interpretar informaes sobre os
objetivos de interao com o meio ambiente e recuperao de erros (LOBO, 2005). O veculo
que ser utilizado nesta dissertao de mestrado um veculo autnomo sem condutor,
com um alto grau de autonomia, o qual apresentado na Figura 1. Este veculo autnomo
percebe o ambiente por meio de sistemas complexos, como Laser, radar, GPS e viso
por computador. Os sistemas avanados de controle do veculo servem para interpretar
informaes, identificar o caminho apropriado, os obstculos e sinalizao relevante.
O objetivo principal desta dissertao de mestrado implementar uma interface
crebro computador baseada em potencias evocados visuais do regime permanente para
comandar um veculo autnomo.
30
Introduo
Organizao do documento
Para uma maior compreenso, este trabalho apresenta no primeiro captulo uma
abordagem geral sobre as interfaces crebro computador, as classificaes dos principais
paradigmas, assim como a estrutura de uma interface crebro computador. No segundo
captulo so apresentadas as diferentes pesquisas ao nvel mundial e no Brasil sobre
os veculos autnomos, apresentada tambm a descrio do veculo utilizado nesta
dissertao. No terceiro captulo so apresentados os diferentes tipos de processamento de
sinais para as interfaces baseadas nos potenciais evocados visuais. mostrado, tambm,
nesse mesmo captulo o mecanismo de ativao/desativao dos estmulos utilizando
a deteco relacionada a eventos de dessincronizao. A proposta de uma ICC como
dispositivo de navegao e o esquema de integrao da ICC-Hbrida so apresentados no
quarto captulo. Os resultados off-line e on-line do sistema geral so discutidos no quinto
captulo e, finalmente, no ltimo captulo feito a abordagem sobre os trabalhos futuros e
as concluses obtidas no dessenvolvimento deste projeto de pesquisa.
Contribuio
Nesta dissertao de mestrado adaptada e otimizada para o veculo autnomo
uma interface crebro-computador com base em potenciais evocados visuais de regime
permanente, previamente testada e com eficincia comprovada por pessoas com deficincia
31
33
Resoluo
temporal
Parmetro
fisiolgico
monitorado
Recursos necessrios
para operao
do dispossitivo de
monitoramento
Dispositivo Porttil?
Resolusa
espacial
Nvel de invaso
Atividade eltrica
dos neurnios
Enorme espao,
energia (para refrigerao).
Alto custo do dispossitivo
de gravao.
No
Atividade eltrica
dos neurnios
Pouco espao e
baixo nveis de energia; dispositivo de
baxo custo.
Sim
Da ordem de milissegundos
MEG
EEG
Enorme espao,
energia (para refrigerao).
Alto custo do dispossitivo
de gravao.
No
Concentrao de hemoglobina
oxigenada e desoxigenada
2 - 5 segundos
fMRI
Enorme espao.
Alto custo do dispossitivo
de gravao e
frmacos-radiolgicos.
No
Fluxo de sangue
1 segundo
Longitude do voxel,
aprox. 2 - 5 mm
PET
34
Chapter 1. Interfaces Crebro Computador
35
ICC
No necessrio
Motor de sada
Portanto, adequado
Decincia
grave
que sofrem de
Sindrome de
encerramento
Sinais do crebro
Fornece
Torn-se
Aplicaes e
dispositivos
tal como
Dispositivo de
ortograa e
assistncia
Modo de operao
Estratgia
as quais so
as quais so
aquirido pelo
Mtodo de
gravao
Sinai de controle
Controle
Medidas
Fornece
Podem ser
Sncrono
(sinal do ritmo)
Invasivo
por exemplo
Intracontricais
ECoG
No invasivo
por exemplo
NIRS
Ateno
seletiva
Utilizado em/com
Podem ser
Discreto e
continuo
Assncrono
(a seu do ritmo)
EEG
Luzes
piscando
Ensaio
oddball
padres
cerebrais
provoca
provoca
provoca
SSVEP
p300
SCP
Condicionamento Imaginao
operante
Motora
por
mais especicamente
neurofeedback
imaginao de
movimento
provoca
Atividade
picos
provoca
ERD/ERS
adaptado
de
36
1.2
A possibilidade de comunicao crebro-computador baseada no eletroencefalograma (EEG) tem sido pesquisada durante mais de quatro dcadas (VIDAL, 1973). Em
um trabalho pioneiro, Farwell e Donchin (FARWELL; DONCHIN, 1988) descreveram a
utilizao de potenciais evocados auditivos para aplicaes prticas em ICCs. Nas ICCs
possvel distinguir pelo menos trs partes fundamentais (Figura 3):
Processamento de Sinais: Este mdulo responsvel pela decodificao do processo neurofisiolgico que reflete a inteno do usurio, gerando um vetor de caractersticas e classificao.
37
1.3. Aquisio
ICC
Aquisio
A
Sensores
Sinal EEG
A/D
Processamento
Pre-Processamento
Extrao de
caractersticas
Classicao
Comando
Aplicao
Controlador de
Dispositivo
1.3 Aquisio
O sistema internacional 10/20, permite definir nveis de amplitude, fase e frequncia
do EEG, pois essas caractersticas dependem da posio do eletrodo sobre o crnio
(GRAIMANN; ALLISON; PFURTSCHELLER, 2010). Para sua implementao, a cabea
mapeada por 4 pontos: Nasion, Inion, e pontos pr-auriculares direito e esquerdo. Os
eletrodos so definidos atravs da medio da distncia Nasion-Inion e estabelecendo
pontos a cada 10%, 20%, 20%, 20%, 20% e 10% ao longo de seu comprimento. Esta
disposio conhecida como Sistema Internacional ou Protocolo 10/20 (Figura 4).
Quando preciso ter uma densidade maior de eletrodos utilizado o protocolo
10/10, como apresentado na Figura 5.
38
20%
Fz
20%
20%
20%
Pz
F7
P3
20%
F p1
F p2
F p1
C3
F3
10%
Nasion
20%
Cz
Fz
F3
F4
F8
20%
20%
F7
10%
T3
Nasion
T5
T3
O1
Cz
C3
C4
T4
10%
Ponto
20%
10%
Pr-auricular
T5
Inion
P3
P4
Pz
O2
O1
Inion
O1
20%
10%
Nz
Fp1
F9
AF7 AF
3
F7
Fpz
AFz
F5 F3 F F
1
z
Fp2
AF4 AF8
F8
F2 F4 F6
F10
FT 9 FT FC
FT 8 FT 10
7
5 FC 3 FC 1 FC z FC 2 FC 4 FC 6
A1 T9
T7
C5 C3
C1 Cz
C2
C4
C6
T8
T10 A2
P P P
P7 P7 P3 1 z 2 P4 P7 P7
PO7 PO3 POz PO4 PO8
O2
O1 O
P10
Iz
Figure 5 Protocolo 10/10, sobre a disposio dos eletrodos para ICC-SSVEP (MLLER;
BASTOS; SARCINELLI, 2013).
39
41
2 Veculos Autnomos
Neste captulo so apresentadas as caractersticas gerais sobre veculos autnomos e,
o modelo de representao utilizado na emulao do processo de dirigir como um motorista
humano. apresentado tambm o estado da tecnologia dos veculos autonmos no contexto
mundial e no Brasil, feita uma descrio do veculo autnomo IARA da UFES, alm de
algumas de suas caractersticas de software e hardware.
42
Decises
Percepes
Sensaes
Planejamento
Comando
Aes
Ambiente
Controle
43
srie de manobras que permitia inclusive ultrapassar outros veculos (DICKMANNS et al.,
1994).
Outra pesquisa participante do projeto EUREKA foi o projeto italiano VisLab (do
ingls, Artificial Vision and Intelligent Systems Laboratory) do Departamento de Tecnologia
da Informao da Universidade de Parma que, em cooperao com a Universidade de
Turim, desenvolveu um prottipo chamado de MobLab, que servia como plataforma de
pesquisa para todos os grupos de pesquisa italiano envolvidos com o projeto EUREKA.
Com o encerramento do projeto, o VisLab segmentou-se em outros projetos, entre os quais
destaca-se o projeto ARGO desenvolvido entre 1997 e 2001 pela Universidade de Parma.
Tratava-se de um prottipo de veculo que seguia marcas pintadas em uma estrada nomodificada, utilizando duas cmeras de vdeo preto-e-branco de baixo custo e algoritmos
de viso estereoscpica. O projeto permitiu a navegao por uma distncia de 2.000 km
por seis dias, com velocidade mdia de 90 km/h e 94% do tempo em modo autnomo
(BROGGI; BERTOZZI; FASCIOLI A. E CONTE, 1999).
Na dcada de 1980, a DARPA (do ingls, Defense Advanced Research Projects
Agency) iniciou pesquisas com o ALV (do ingls, Autonomous Land Vehicle), baseadas nas
tcnicas oriundas do desenvolvimento do rob Shakey. O ALV era um prottipo de veculo
que possua radar, viso computacional e mecanismo de controle robtico. As primeiras
demonstraes em 1985 atingiam velocidade mxima 3 km/h em navegao autnoma,
progredindo para 10 km/h em 1986 e 21 km/h em 1987 (GAGE, 1995)
Desde 1984, o Laboratrio de Navegao da Universidade Carnegie Mellon tem
construdo diversos prottipos para navegao autnoma chamados de NavLab. Em 1995,
o veculo semiautnomo NavLab 5 (no qual apenas a direo possua controle autnomo)
foi utilizado no evento No Hands Across America, navegou por quase 5.000 km, entre
as cidades de Pittsburgh e San Diego, deslocando-se de forma autnoma por 98,2 % do
tempo (POMERLEAU, 1995).
Nos anos da dcada de 1990, o Governo dos EUA financiou trs projetos conhecidos
como Demo I e III (pelo exrcito dos EUA) e Demo II (pelo DARPA) que permitiram
a pesquisa para navegao autnoma de veculos terrestres no tripulados em terrenos
de difcil navegao, permitindo o desvio de obstculos (OZGUNER U.AND STILLER;
REDMILL, 2007).
Em 2002, o DARPA lanou o evento Grand Challenge, uma competio para
estimular a pesquisa em navegao para veculos terrestres no tripulados por parte de
empresas e organizaes de pesquisa (OZGUNER U.AND STILLER; REDMILL, 2007).
A primeira competio foi realizada em 2004, com um prmio de US$ 1 milho e tinha
como objetivo navegar 228 km, sem interveno humana em, no mximo, 10 horas. A
escolha do cenrio deveu-se s grandes variaes do terreno, alta quantidade de sujeira,
curvas sinuosas e pequena frao de estradas pavimentadas (THRUN et al., 2006). O
44
desafio foi repetido em 2005, com o prmio de US$ 2 milhes. O veculo da Universidade
de Stanford, chamado Stanley, foi considerado o campeo, finalizando o percurso em 6
horas, 53 minutos e 08 segundos. Stanley foi produzido por uma equipe de pesquisadores
de Stanford, da Intel Research, da Volkswagen e de outras entidades. Tratava-se de um
veculo Volkswagen Touareg R5 TDI com uma plataforma com seis processadores Intel e
um conjunto de sensores e atuadores para navegao autnoma (THRUN et al., 2006).
Em 2007 foi realizada a terceira verso da competio do DARPA, sob o nome de
DARPA Urban Challenge. A mudana de nome ocorreu devido alterao do cenrio
de provas, agora em um ambiente urbano simulado (MONTERMELO et al., 2009). O
vencedor foi o veculo Boss da Universidade Carnegie Mellon: o qual possua um sistema
de controle integrado a um conjunto de sensores Laser, radares e cmeras, sendo capaz de
reconhecer regras de trnsito, detectar outros veculos, realizar seguimento de veculos a
uma distncia segura, entre outras funes (??).
Na Tabela 2 so apresentadas as principais pesquisas sobre veculos autnomos.
2.2.1
No Brasil, at o ano de 2014, houve poucos grupos de pesquisas cientficas, governamentais e empresariais sobre veculo robticos. Quatro grupos de pesquisa vm
desenvolvendo aplicaes especficas para veculos robticos: o Laboratrio de Sistemas de
Computao e Robtica do Departamento de Engenharia Eltrica da Universidade Federal
de Minas Gerais (CORO-UFMG), o Laboratrio de Robtica Mvel da Universidade de
So Paulo - Campus So Carlos (LRM-USP), o Laboratrio de Computao de Alto
Desempenho da Universidade Federal do Esprito Santo (LCAD- UFES) e o Laboratrio de
Topografia e Geodsia da Escola Politcnica da Universidade de So Paulo (LTG-EPUSP).
Destes grupos, trs (CORO- UFMG, LRM-USP e LCAD-UFES) possuem um enfoque
nos aspectos robticos do veculo, e um (LTG-EPUSP) possui o enfoque nos aspectos de
Geomtica e Engenharia de Transportes envolvidos no projeto de um veculo robtico.
As pesquisas do CORO-UFMG so realizadas pelo Grupo de Pesquisa e Desenvolvimento de Veculos Autnomos (PDVA). O objetivo do grupo desenvolver ferramentas
robticas para instrumentao, navegao e controles embutidos para veculos terrestres e
areos, autnomos ou semiautnomos. O grupo desenvolveu o CADU (Carro Autnomo
Desenvolvido na UFMG), um automvel integrado a um conjunto de componentes tecnolgicos para navegao autnoma. Uma lista dos trabalhos do grupo pode ser visualizada
em http://coro.cpdee.ufmg.br/.
O LRM-USP, laboratrio integrante do Instituto Nacional de Cincia e Tecnologia
em Sistemas Embarcados Crticos (INCT-SEC), vem desenvolvendo aplicaes robticas
para uso agrcola e navegao urbana. O projeto CaRINA (Carro Robtico Inteligente para
SRI (EUA)
Universidade de Tsukaba
(Japo)
Universitt der Bundeswehr
Munchen (Alemanha)
Nissan e Fujitsu
(Japo)
Universitt der Bundeswehr
Munchen (Alemanha)
Universitt der Bundeswehr
Munchen (Alemanha)
Universidade de Parma
(Itlia)
DARPA
Laboratrio de Navegao
Universidade Carnegie Mellon
Universidade de Stanford
Universidade Carnegie
Mellon e GM
Shakey
Veculo Inteligente
NavLab
Stanley
Boss
ALV
ARGO
VaMoRs-P
VaMP
PVS
VaMoRs
Grupo de pesquisa
Nome do Veculo
Velocidade mxima
1985-1987
1997-2001
1995
1994
1987
1985
1966-1972
1977
Ano
46
47
48
49
Processo A
Ponteiro
Memria
compartilhada
Processo B
Ponteiro
Espao do usurio
50
identificador, ou volta ala s se o buffer de mensagens for criada por outro processo.) As
alas devolvidas pelo kernel so locais para cada processo. A transferncia de mensagem
copiada a partir do espao do processo de remetente para um buffer de mensagem no
espao do sistema, e, em seguida, novamente copiada a partir da memria intermdiara no
espao do sistema para a estrutura de espao do processo de recepo. A transferncia
de mensagem normalmente atribuda dinamicamente. Mensagens so menos eficientes
do que a memria compartilhada (exige tamponamento e sincronizao), mas por vezes,
so mais adequadas, devido sincronizao embutida. Na Figura 11 pode-se observar o
mecanismo para a troca de mensagens no software do veculo autnomo.
Processo A
Processo B
Espao do Usurio
Espao do Sistema
Envia (&m)
Buer de
Mensagem
Reeve (&m)
51
3.1 Preprocessamento
O preprocessamento feito para este sistema foi implementado a filtragem espacial
CAR (do ingls, Common Average Reference). Onde obtida a mdia de todos os canais
e o valor substrado de cada canal para mehorar a relao sinal/rudo do sistema
(NICOLAS-ALONSO; GOMEZ-GIL, 2012).
52
m=1
nP (fk )
P (fk + mfres ) + P (fk mfres )
(3.1)
|fk fh |
erro
=
,
amplitude
P (fh )
(3.2)
Frequncia
Figure 12 Representao da densidade espectral de potncia de um sinal EEG e apresentao das frequncias alvos e seu primeiro harmnico.
53
Y =
sin (2fk )
cos (2fk t)
..
.
sin (2Nh fk t)
cos (2Nh fk ) ,
(3.3)
A CCA tem por objetivo encontrar a combinao linear das matrizes que apresenta
a maior correlao. Com isso, so definidas as limitaes expressas nas Equaes 3.4 e 3.5.
A correlao total calculada como a razo entre a correlao cruzada e a autocorrelao
dos vetores de entrada e de sada, de acordo com a Equao 3.6.
h
(3.4)
(3.5)
E xxT = E xT x = E WxT XX T Wx = 1
E yy T = E y T y = E WyT Y Y T Wy = 1
k = Wx ,Wy (x, y) =
E [ xT y ]
E[xT x]E[y T y]
E [WxT XY T Wy ]
(3.6)
E[WxT XX T Wx ]E [WyT Y Y T Wy ]
54
X
Ensaios
Y1
CCA
Distncia
Euclidiana
>
Gerador
de sinais
de referncia
Yp
CCA
= argmin
= (1 , ,p )T (
, )
N
X
i=1
(yi
j xij )2
(3.7)
C11 C12
c=
,
C21 C22
(3.8)
onde,
C11 =
1
XX T ,
M
(3.9)
55
C12 =
1
Y Y T,
M
(3.10)
C21 =
1
Y XT ,
M
(3.11)
C22 =
1
Y Y T.
M
(3.12)
C11(1/2)
0
U =
0
C22(1/2)
(3.13)
(3.14)
S =1+
0 i log (0 i )
log (P )
i=1
(3.16)
3.2.3 Hbrido
Os mtodos baseados no domnio do tempo e da frequncia podem ser integrados
para obter um novo mtodo que tenha as melhores caractersticas de desempenho dos dois
domnios. Um exemplo de mtodo hbrido, utilizado neste trabalho, baseia-se na anlise
da densidade espectral de potncia e na anlise cannica de correlao.
3.2.3.1 Hbrido entre Anlise da Densidade Espectral de Potncia e Anlise Cannica de
Correlao (H-PSDA-CCA)
Como j foi apresentado, a anlise cannica de correlao (CCA) uma tcnica
estatstica para a obteno da mxima similaridade entre um conjunto de sinais. Por outro
lado, a anlise da densidade espectral de potncia (PSDA) obtm os valores de potncia
para um conjunto de sinais de uma faixa de frequncia definida. O mtodo H-PSDA-CCA
(do ingls, Hybrid Power Spectral Density Analysis Canonical Correlation Analysis)
obtm o espectro de potncia dos sinais de entrada e calcula a correlao entre o espectro
56
dos dados de entrada e de uma referncia, que contm as frequncias dos estmulos e
rudo gaussiano. O rudo gaussiano inserido para tentar modelar o sinal EEG devido
a processos mentais. Na Figura 14 mostrada a representao do CCA no domnio da
frequncia (TANAKA; ZHANG; HIGASHI, 2012), onde o vetor X representa os sinais
EEG para N canais, e o vetor Y representa os sinais de referncia os quais so senos e
cossenos das frequncia fundamentais e os harmnicos, como mostrado na Equao 3.17.
Y =
(3.17)
onde p o nmero de estmulos. A expreo pi=1 (sin (2fk ) + cos (2fk t)) contm a
frequncia dos outros estmulos, corresponde ao rudo gaussiano, N o nmero de
estmulos e h o nmero de harmnicos da frequncia alvo, Nh o N -simo harmnico da frequncia objetivo ou alvo. O rudo do sinal EEG apresenta frequncias
relacionadas aos estmulos e outros processos neuronais. Por esta razo, a expresso
P
Ph
0.1 N
i=1
j=1 (sin (2jfi t) + cos (2jfi t)) + usada, e contm as frequncias de todos
os estmulos, seus harmnicos e rudo gaussiano. Neste caso, representa o rudo gaussiano
do processo neuronal.
P
PSDA
Ensaios
PSDA
Y1
CCA
Gerador de
sinais de
referncia
Distncia
Euclidiana
>
PSDA
Yp
CCA
57
3.3. Classificao
3.3 Classificao
O processo para determinar a classe a que pertence um conjunto de amostras
baseado na comparao direta dos ndices ou valores obtidos pelos mtodos de extraco de
caractersticas. No caso da anlise da densidade espectral de potencia, como foi apresentado
na seo 3.2.1.1, o valor gerado pela anlise PSDA uma relao sinal/rudo. Para calcular
a classe de sada do sistema necessrio comparar os valores para cada frequncia dos
estmulos utilizados e escolher o maior. Na seo a seguir proposto um processo de
reclassificao na tentativa de melhorar a taxa de sucesso.
3.3.1 Reclassificao
O processo de extrao de caractersticas definido para uma janela de anlise e
uma sobreposio dos dados. Para cada janela de anlise o sistema realiza um processo de
classificao ou deteco da frequncia do estmulo da entrada. Os canais O1, O2 e Oz
(localizados na regio visual) so analisados e classificados separadamente aps a filtragem
do sinal. A classificao final obtida atravs de um processo de reclassificao, cujo
exemplo apresentado pela Figura 15. A sada de cada janela enviada a um proceso
de votao para estimar o nvel de confiana. possvel que o valor de sada seja -1, o
que quer dizer que no foi reconhecida a frequncia do estmulo. Isso ocorre quando o
processo de votao fica em empate. Na Figura 15, trs janelas apresentam a classe (3)
aps o processo de classificao. A outra janela apresenta a classe (2). O clculo do nvel
de confiana neste caso seria de 3/4, mostrando que a classe final seria a classe = 1.
Janela de anlise
Tempo de
classicao
c
=
1
c
=
1
c
Votao
Classe = 1
=
1
Nvel de
Conana=
3/4
c
=
1
c
=
2
58
25
25
20
0
15
16
14
14
12
12
10
10
10
20
5
40
15
0
5
60
10
Mediana(2-4s)
2* Mediana(0-2s)
10
15
80
5
2
20
100
12
16
20
12.5
13
13.5
14
14.5
15
15.5
16
25
12
12.5
13
13.5
14
14.5
15
Ritmo Alfa
Sinal de entrada
Regio Occipital
8 Hz
13 Hz
15.5
16
0
12
12.5
13
13.5
14
14.5
15
15.5
16
0
12
12.5
13
13.5
14
14.5
15
15.5
16
0
12
Mediana (0-2 s)
12.5
13
13.5
14
14.5
15
Envoltria
Filtro Mediana
Comparador
Transformada Hilbert
15.5
16
59
3.4.1.3 Comparador
O comparador utilizado para deteco de ERD consiste em um limiar adaptativo,
o qual calcula a mediana da janela de anlise. O valor da mediana no influenciado
pela presena de valores atpicos ou Outliers. Utilizando esta vantagem, a janela divida
em duas metades. Na primera metade feito o clculo de duas vezes o valor da mediana,
sendo assim obtido o primeiro valor a comparar. Na segunda metade calculado apenas
o valor da mediana. Se houver um evento, a mediana da segunda metade da janela de
anlise ser maior do que duas vezes a mediana da primeira metade da janela de anlise,
como apresentado na Figura 17. Neste processo obtido o limiar adaptativo para detectar
o evento. O sistema implementado no precisa de calibrao para a deteco do evento.
O valor A o limiar da primeira metade da janela de anlise, enquanto B o limiar
da segunda metade. Quando A < B significa que tem ocorrido o evento de fechamento de
olhos.
60
Mediana (14s-16s)
2*Mediana (12s-14s)
6
4
Mediana (12s-14s)
2
0
12
12.5
13
13.5
14
14.5
15
15.5
16
1P
N 1
(3.18)
Kappa =
pii qi=1 pi pi
,
P
1 qi=1 pi pi
i=1
(3.19)
61
Sensibilidade e especificidade so medidas que fornecem informaes sobre a capacidade do classificador de detectar uma classe especfica (verdadeiro positivo ou
negativo). A sensibilidade e a especificidade so calculadas nas equaes 3.20 e 3.21.
TP
,
TP + FN
TN
,
Especif icidade =
FP + TN
Sensibilidade =
(3.20)
(3.21)
63
Nvel de Comando
Milln et al (2004);
Leeb et al. (2006);
Pfurtscheller et al. (2006);
Trejo et al. (2006);
Ma et al. (2007);
Martinez et al. (2007);
Pires et al. (2008);
McFarland et al (2008);
Galn et al. (2008);
Brouwer et al.(2008);
Ron-angevin et al. (2009);
Mller et al. (2013);
Lee et al. (2013)
Nvel de Controle
No encontrado
64
ERD
ICC
Sncrona
Estmulo
Veculo
autnomo
Planeja.
Comando
Realimentao
Ambiente
Menu
Controle
Usurio
Ativar
Estmulos
Sim
No
Olhos
Fechados?
ICC
Assncrona
Enviar
Comando
Desativar
Estmulos
Enviar
Comando
65
66
4.2.1 GRAFCET
O GRAFCET foi criado em 1977 na Frana e surgiu pela necessidade de ter um
mtodo de descrio de processos sequenciais que fosse eficaz, simples e interpretvel
por tcnicos de diferentes campos. O GRAFCET um diagrama funcional que descreve
a evoluo do processo a automatizar. Est definido por elementos grficos e regras de
evoluo que refletem a dinmica do comportamento do sistema. Posteriormente, em 1988
o GRAFCET foi adotado como um padro internacional (norma IEC 848) e denominado
(SFC, do ingls Sequential Function Chart). Todo automatismo sequencial ou concorrente
pode ser estruturado em um srie de etapas que representam estados ou subestados dos
sistemas nos quais se realizam uma ou mais aes, assim como as transies, que so
as condies que devem ocorrer para passar de uma a outra etapa. Na Figura 20 so
apresentadas as partes principais que contm um GRAFCET, que segue os seguintes
conceitos bsicos e representaes grficas para sua construo:
Etapas ou estados a que as aes esto associadas.
Aes (tarefas ou funes) a realizar.
Transies que esto associadas s receptividades.
Receptividades, que so as condies que tm de ser cumpridas para garantir a
evoluo do sistema.
Ligaes orientadas, que indicam o sentido da evoluo e interligaes entre etapas e
receptividades.
Regras de evoluo, que so as consideraes principais para obter um sistema
robusto e sem incoerncia na definio da evoluo.
Etapa
E1
Transio
Liga
t1
E2
67
Ao
Receptividade
Desliga
Ligao
Figure 20 Esquema geral de um GRAFCET e suas partes principais.
4.2.2 Etapas
Uma etapa caracteriza-se por um comportamento invarivel em uma parte ou na
totalidade do sistema, num instante determinado, e segundo a evoluo do sistema. As
etapas representam-se por um quadrado com um nmero como identificao. A entrada e
sada de uma etapa aparecem na parte superior e inferior, respectivamente. O conjunto
formado pelo quadrado e a extenso das entradas e sadas formam o smbolo completo da
etapa. As etapas ativas identificam-se por meio de um ponto na parte inferior dos smbolos
das etapas (Figura 20).
4.2.3 Aes
Podem ser descritas de forma literal ou simblica, no interior de um ou vrios
retngulos unidos ao smbolo da etapa em que esto associados (Figura 20).
4.2.4 Transies
Uma transio refere-se possibilidade de evoluo entre as etapas. Esta evoluo
pode ser produzida por franqueio de uma transio. O cumprimento de uma transio
provoca o passo entre o comando de uma situao a outra. A transio pode ser validada ou
no. Diz-se que validada quando todas as etapas imediatamente ligadas a essa transio
esto ativas. A transio entre as duas fases representada por uma linha perpendicular
linha de ligao de duas etapas (Figura 20).
68
4.2.6 Receptividade
Cada transio est associada com uma proposio lgica denominada receptividade.
A capacidade de resposta uma funo da informao externa/interna (input) ou do
estado de contadores, temporizadores, estados ativos ou inativos das outras estapas. A
receptividade escrita de forma literal ou simblica. Quando a resposta escrita de
forma simblica, uma tabela deve dar a correspondncia entre cada smbolo utilizado e a
informao correspondente. Quando no h condio associada a uma transio dito que
a receptividade sempre verdadeira, ou seja, igual a 1 (Figura 20).
69
A0
=1
=1
10
A<B
t=1s
3a
1x
A1
A3
11
A9
A2
=1
=1
=1
2a
A3
2x
A>=B
3x
C=5
A1
t=1s
C=5
A3
Adquisio
=1
3a
4x
A<B or Off=1
12
A4
A5
C=5
A10
5x
A6
A>=B
Menu=2
4a
=1
8x
A8
Menu=1
6x
=1
ICC-Hbrida
=1
7x
A<B
A7
A0=
A1=
A2=
A3=
A4=
A5=
A6=
A7=
A8=
A9=
A10=
Aes
Setup
Share
Read
C=C+1;A;B;
C=1
MSI1
MSI2
Reclassification
Send; Off=1
C=1;Next
Turnon ;Menu
Turnof f ; Save
SSVEP
70
71
Vale ressaltar que qualquer parte da execuo do bloco ICC-SSVEP pode ser
interrompida pelo bloco da interfaces hbrida. Cada vez que os estmulos forem ligados, o
veculo tem que parar para poder fazer uma nova escolha no menu.
Para detectar quando o usurio cai no sono enquanto estiver dirigindo o veculo
autnomo, seria necessrio implementar uma funo que modela os processos que esto
associados a esta condio e devem ser includa na etapa (11) e adicionar um indicador na
transio que une a etapa (3a) e (4).
73
5 Resultados e discusso
Os testes realizados neste trabalho foram configurados para avaliar o sistema
desenvolvido no modo off-line e on-line. No modo off-line so apresentados todos os
mtodos de extrao de caractersticas descritos nos outros captulos, e no modo on-line
s descritos os resultados para o mtodo que apresentou melhor desempenho no modo
off-line.
74
amostragem do equipamento de 128 Hz, para melhorar a relao sinal/rudo foi utilizado
o filtro CAR.
0.4
0.2
Vol19
Vol18
Vol17
Vol16
Vol15
Vol14
Vol13
Vol12
Vol11
Vol10
Vol9
Vol8
Vol7
Vol1
0.4
0.2
Vol19
Vol18
Vol17
Vol16
Vol15
Vol14
Vol13
Vol12
Vol11
Vol10
Vol9
Vol8
Vol7
Vol6
0.0
Vol5
Vol19
Vol18
Vol17
Vol16
Vol15
Vol14
Vol13
Vol12
Vol11
Vol9
Vol8
Vol7
Vol6
Vol5
Vol4
Vol3
Vol2
0.0
Vol10
0.2
0.6
Vol4
0.4
0.8
Vol3
0.6
1.0
Vol2
0.8
Vol1
Janela de anlise 4 s
1.0
Vol1
Janela de anlise 3 s
Vol6
0.0
Vol19
Vol18
Vol17
Vol16
Vol15
Vol14
Vol13
Vol12
Vol11
Vol9
Vol8
Vol7
Vol6
Vol5
Vol4
Vol3
Vol2
0.0
Vol10
0.2
0.6
Vol5
0.4
0.8
Vol4
0.6
Vol3
0.8
1.0
Vol2
Janela de anlise 2 s
1.0
Vol1
Janela de anlise 1 s
90.2
52.6
91.5
86.9
76.3
84.2
93.0
76.2
90.2
73.8
99.4
70.1
90.7
79.8
59.7
96.2
96.8
93.5
97.4
84.1
Mdia
Acur.
10.1
4.4
27.5
5.0
7.5
13.1
8.1
15.6
14.4
7.5
6.3
3.8
30.6
5.0
10.0
26.9
0.6
1.3
2.5
2.5
Pu
ITR
67.0
79.2
10.9
82.3
68.4
43.4
61.9
77.3
42.7
76.8
42.4
111.8
27.0
80.3
51.6
17.1
101.8
103.6
90.6
104.3
Trad PSDA
#1 *
#2 *
#3 *
#4 *
#5 *
#6 *
#7
#8
#9
#10
#11
#12
#13
#14
#15
#16
#17
#18
#19
Voluntrio
90.4
85.1
74.2
92.6
95.2
97.1
46.2
90.7
88.2
97.4
96.7
98.1
91.7
94.9
93.3
91.2
96.2
96.8
96.3
96.1
Acur.
15.2
6.9
40.6
6.3
15.0
28.1
40.6
28.8
31.9
2.5
5.0
3.8
20.0
2.5
26.9
21.9
1.3
3.1
1.3
3.1
Pu
77.2
64.6
27.4
84.5
83.9
76.1
5.4
60.1
52.7
104.6
99.1
105.8
69.9
95.2
67.6
67.2
101.1
101.6
101.3
98.9
ITR
Ratio PSDA
94.3
96.8
78.9
96.2
95.4
85.1
94.4
94.9
88.5
96.2
95.6
100.0
95.7
96.2
96.8
92.6
97.5
96.3
96.1
98.1
Acur.
7.4
3.1
25.0
3.1
4.4
8.1
28.1
6.9
16.3
0.6
1.9
2.5
11.3
2.5
10.0
11.3
0.6
0.6
3.8
0.6
Pu
91.6
101.5
41.4
99.3
95.1
63.9
69.1
91.0
65.4
101.8
98.2
117.0
106.2
99.8
94.3
80.1
106.8
102.0
98.3
109.5
ITR
hPSDA_CCA
94.0
96.8
76.0
96.2
95.4
87.1
93.6
91.6
88.5
96.2
95.6
99.4
95.7
96.2
96.8
92.6
97.5
96.3
96.1
98.1
Acur.
9.2
3.1
26.3
3.1
4.4
15.0
50.6
11.9
16.3
0.6
1.3
1.3
11.3
2.5
10.0
11.3
0.6
0.6
3.8
0.6
Pu
CCA
89.3
101.5
36.5
99.3
95.1
63.4
46.1
76.7
65.4
101.8
98.9
114.7
106.2
99.8
94.3
80.1
106.8
102.0
98.3
109.5
ITR
94.3
96.8
79.4
96.2
95.4
87.0
94.4
93.0
88.5
96.2
95.6
99.4
95.7
96.2
96.8
92.6
97.5
96.3
96.1
98.1
Acur.
7.5
3.1
27.5
3.1
4.4
15.0
16.3
12.5
16.3
0.6
1.3
1.3
11.3
2.5
10.0
11.3
0.6
0.6
3.8
0.6
Pu
LASSO
91.5
101.5
40.9
99.3
95.1
63.1
80.3
80.1
65.4
101.8
98.9
114.7
106.2
99.8
94.3
80.1
106.8
102.0
98.3
109.5
ITR
94.2
95.5
78.5
96.2
97.5
96.8
90.0
96.5
91.9
96.2
94.3
98.8
93.3
96.8
85.2
91.3
97.5
96.9
98.1
98.7
Acur.
3.8
3.1
11.3
2.5
2.5
3.1
6.3
4.4
4.4
1.3
2.5
0.6
5.6
2.5
8.8
5.6
0.6
1.9
1.9
3.1
Pu
MSI
95.0
96.8
48.4
99.9
104.7
101.3
77.1
99.2
84.2
101.2
93.2
112.3
112.8
102.1
63.5
81.4
106.7
103.0
107.8
109.2
ITR
Table 4 Resultados dos testes para 19 usurios, onde 6 deles (*) apresentam algum tipo
de deficincia motora.
76
Taxa de Sucesso
100.0
Acurcia
95.0
Janela
de anlise
90.0
85.0
4s
3s
80.0
2s
75.0
1s
MSI
LASSO
CCA
h PSDA-CCA
Ratio-PSDA
Trad-PSDA
70.0
0.4000
0.3500
0.3000
Janela
de anlise
0.2500
0.2000
4s
0.1500
3s
0.1000
2s
0.0500
1s
MSI
LASSO
CCA
h PSDA-CCA
Ratio-PSDA
Trad-PSDA
0.0000
Figure 24 Custo computacional dos classificadores utilizados para a interface crebrocomputador com base em potencias evocados visuais de rgime permanente.
77
ITR[bit/min]
90.0
80.0
Janela
de anlise
70.0
60.0
50.0
4s
40.0
3s
30.0
2s
20.0
1s
10.0
MSI
LASSO
CCA
h PSDA-CCA
Ratio-PSDA
Trad-PSDA
0.0
Sensibilidade
Especificidade
Acurcia
Kappa
1
2
3
4
5
6
7
8
9
10
11
0.92
0.98
1.00
0.91
0.95
1.00
1.00
0.96
1.00
0.96
0.95
1.00
0.94
0.83
0.95
0.63
0.73
0.87
0.96
0.92
1.00
0.65
0.96
0.96
0.90
0.93
0.70
0.81
0.92
0.96
0.96
0.98
0.72
0.91
0.91
0.80
0.87
0.40
0.62
0.84
0.91
0.91
0.96
0.44
Mdia
0.97
0.86
0.89
0.78
78
Sensibilidade
Especificidade
Acurcia
Kappa
1
2
0.89
0.91
0.82
1.00
0.85
0.95
0.70
0.90
Mdia
0.90
0.91
0.90
0.80
Sensibilidade
Especificidade
Acurcia
Kappa
1
2
0.83
0.73
1.00
0.78
0.90
0.75
0.80
0.50
Mdia
0.78
0.89
0.83
0.65
5.3 Discusso
Os testes off-line e on-line mostram que o sistema vivel para ser utilizado fora do
laboratrio, em aplicaes reais, como o caso de aplicaes no veculo autnomo, mesmo
79
5.3. Discusso
Ground
Eletrodos
Referncia 1
Referncia 2
TM
com o veculo ligado e em movimento. Os resultados das avaliaes off-line mostaram que o
mtodo MSI foi o que apresentou o melhor desempenho (acurcia e ITR). Com os resultados
obtidos do sistema geral, tanto para voluntrios saudveis como para os voluntrios com
algum tipo de deficincia, pode-se inferir que algumas tcnicas apresentaram resultados
similares, permitindo ajustar os mtodos antes mesmo de serem utilizados com pessoas com
deficincia. O mtodo proposto para a deteco do evento relacionado a abrir e fechar os
olhos apresentou um alto desempenho, e no foi necessrio nenhum processo de calibrao
80
81
6 Concluses
Neste trabalho foi desenvolvido um sistema que gera comandos para serem enviados ao mdulo de planejamento do veculo autnomo, utilizando uma interface crebrocomputador baseada em potenciais evocados visuais.
Na implementao da interface hbrida foi preciso se basear na estrutura de programao denominada GRAFCET. Com esta metodologia obteve-se um diagrama funcional
que permite descrever os comportamentos do sistema com relao s informaes que
o mesmo recebe, impondo um funcionamento rigoroso e eliminando qualquer tipo de
incoerncia, bloqueios ou conflitos no funcionamento na interao das interfaces (sncrona
e assncrona). Em cada nvel de descrio, este diagrama pode modificar-se ou corrigir-se,
sem necessidade de retornar a partes j implementadas, por exemplo, no acrscimo dos
possveis destinos desejados pelo usurio ou nmero de estmulos, j que essas funes
podem ser inseridas no sistema apenas com poucas modificaes no cdigo.
A integrao do controle de ativao/desativao dos estmulos permite reduzir
a fadiga visual do usario, contribuindo para o conforto, o que pode facilitar o uso do
sistema, e dessa forma incrementar sua usabilidade e aceitao por parte do usurio final.
O menu proposto mantm as opes mais frequentes escolhidas pelo usurio, na
tentativa de otimizar o tempo de uso do sistema. Alm disso, o sistema faz um registro das
atividades do usurio, a fim de propor a ele um nvel de adaptao no processo de escolha.
As tcnicas implementadas permitiram testar e comparar resultados de usurios
com algum nvel de deficincia e usurios saudveis. Assim, foi possvel testar com usurios
saudveis e extrapolar os resultados, obtendo-se uma ferramenta que no precisa de
calibrao exaustiva.
Pensando em sistemas para aplicaes fora do laboratrio (especificamente utilizando o sistema na rua ou ambientes no controlados), foi percebido que os mtodos de
extrao de caractersticas aqui propostos no foram influenciados pelos campos eletromagnticos presentes no veculo autnomo (chaveamento eletrnico, das baterias e sistema
LIDAR, os quais geram grandes quantidades de rudo eletromgnetico).
Com relao ICC desenvolvida, foi obtida uma acurcia de at 90% (superior
81%, especificado no item 3.5) e valores de kappa de at 0.8 (superior a 0.61, especificado
no item 3.5). Destaca-se tambm a alta eficincia do mtodo MSI, o qual apresentou o
melhor desempenho entre todos os classificadores abordados.
82
Chapter 6. Concluses
Trabalhos futuros
Como trabalhos futuros, so propostas implementaes baseadas em outros paradigmas de interfaces crebro-computador, que possam gerar comandos para os usurios que
apresentem nveis de deficincia severa como Esclerose Lateral Amiotropica (ALS, do ingls
Amyotrophic Lateral Sclerosis ). Aplicar detectores MORD( do ingls, Multivariate Objetive Response Detectors) para procura da reduco do tempo na classificao e o acrscimo
na acurcia do sistema (BONATO et al., 2007). Alm disso, prope-se implementar um
nmero maior de estmulos sempre que estes no gerem desconforto ao usurio.
Publicaes
Apresenta-se uma relao das produes cientficas geradas, frutos das pesquisas
realizadas na rea de interfaces crebro-computador:
83
84
Chapter 6. Concluses
85
86
Chapter 6. Concluses
87
Prmios
1. Travel Scholarship IEEE-INDIN2014, pelo artigo Comparison Among Feature
Extraction Techniques Based on Power Spectrum for a SSVEP-BCI.
2. Brain Computer Interface Competition no XXIV Congresso Brasileiro de Engenharia
Biomdica 2014, pelo artigo A Setup to a Novel SSVEP-BCI Stimulation
Based on Depth of Field
89
Bibliography
BELL, C. et al. Control of a humanoid robot by a noninvasive brain-computer interface in
humans. J Neural Eng, v. 2, p. 214220, 2008. Citado na pgina 63.
BENEVIDES, A.; BASTOS, T.; SARCINELLI, M. Pseudo-Online Classification of Mental
Tasks Using Kullback-Leibler Symmetric Divergence. Journal of Medical and Biological
Engineering., v. 32, n. 6, p. 411416, 2012. Citado na pgina 39.
BIN, G. et al. An online multi-channel SSVEP-based brain-computer interface using a
canonical correlation analysis method. Journal of neural engineering, v. 6, n. 4, 2009.
Citado na pgina 53.
BLAKELY, T. et al. Robust, long-term control of an electrocorticographic brain-computer
interface with fixed parameters. Neurosurgical Focus, v. 27, n. 1, p. E13, 2009. PMID:
19569888. Citado na pgina 33.
BONATO, F. et al. Multivariate objective response detectors (mord): Statistical tools for
multichannel eeg analysis during rhythmic stimulation. Annals of Biomedical Engineering,
Kluwer Academic Publishers-Plenum Publishers, v. 35, n. 3, p. 443452, 2007. ISSN
0090-6964. Disponvel em: <http://dx.doi.org/10.1007/s10439-006-9231-4>. Citado na
pgina 82.
BROGGI, A.; BERTOZZI, M.; FASCIOLI A. E CONTE, G. Automatic Vehicle Guidance:
The Experience of the ARGO Autonomous Vehicle. [S.l.]: World Scientific Publishing,
Singapore, 1999. Citado 2 vezes nas pginas 42 and 43.
BROUWER, A.; VAN, E.; JAN, B. A tactile p300 brain-computer interface. Frontiers in
Neuroscience, v. 4, n. 19, 2010. ISSN 1662-453X. Citado na pgina 35.
BROUWER, A.; VAN, J. A tactile P300 BCI and the optimal number of tactors: Effects
of target probability and discriminability. In: In: Proceedings of the 4th International
Brain- Computer Interface Workshop and Training Course 2008. Verlag der Technischen
Universitt Graz, Graz. [S.l.: s.n.], 2008. p. 280285. Citado na pgina 63.
CASTILLO-GARCIA, J. et al. Feature Extraction Techniques Based on Power Spectrum
for a SSVEP-BCI. 2014. IEEE Int. Symp. on Industrial Electronics (ISIE 2014). Citado
2 vezes nas pginas 38 and 52.
CASTILLO-GARCIA, J. et al. Proposal of a Brain Computer Interface to Command an
Autonomous Car. 2014. 5th IEEE Biosignals and Biorobotics Conference (BRC 2014).
Citado na pgina 39.
CHIAPPA, S.; BENGIO, S. Hmm and iohmm modeling of eeg rhythms for asynchronous
bci systems. In: European Symposium on Artificial Neural Networks ESANN. [S.l.: s.n.],
2004. IDIAP-RR 03-49. Citado na pgina 38.
CHOSET, H. et al. Principles of Robot Motion. [S.l.]: Cambridge University Press, 2005.
Citado na pgina 42.
90
Bibliography
COHEN, J. A coefficient of agreement for nominal scales. Educ Psychol Meas., v. 20, p.
3746, 1960. Citado na pgina 60.
COTRINA-ATENCIO, A. et al. Towards an Architecture of a Hybrid BCI Based on
SSVEP-BCI and Passive-BCI. 2014. 36th Annual International Conference of the IEEE
Engineering in Medicine and Biology Society (EMBC14). Citado na pgina 64.
COVOLAN R.AND ARAUJO, D.; SANTOS, A.; CENDES, F. Ressonncia magntica
funcional: as funes do cerbro reveladas por spins nucleares. Cincia e Cultura, scielocec,
v. 56, p. 40 42, 01 2004. ISSN 0009-6725. Citado na pgina 33.
DELISLE-RODRIGUEZ, D. et al. Detection of Eyes Closing Activities through Alpha
Wave by VariabilityAnalysis. 2014. 6th International Brain-Computer Interface Conference
(Graz 2014). Citado na pgina 58.
DELISLE-RODRIGUEZ, D. et al. Using Linear Discriminant Function to Detect Eyes
Closing Activities through Alpha Wave. 2014. 5th IEEE Biosignals and Biorobotics
Conference (BRC 2014). Citado na pgina 58.
DICKMANNS, E. et al. The seeing passenger car VaMoRs-P. 1994. Citado na pgina
43.
EKLUND, A. et al. A brain computer interface for communication using real-time fmri.
In: Pattern Recognition (ICPR), 2010 20th International Conference on. [S.l.: s.n.], 2010.
p. 36653669. ISSN 1051-4651. Citado na pgina 33.
ESCUDERO, F. A. et al. Registro de seales de eeg para aplicaciones de interfaz cerebro
computadora (icc) basado en potenciales evocados visuales de estado estacionario (pevee).
In: MLLER-KARGER, C.; WONG, S.; CRUZ, A. L. (Ed.). IV Latin American Congress
on Biomedical Engineering 2007, Bioengineering Solutions for Latin America Health.
[S.l.]: Springer Berlin Heidelberg, 2008, (IFMBE Proceedings, v. 18). p. 8790. ISBN
978-3-540-74470-2. Citado na pgina 33.
FARWELL, L.; DONCHIN, E. Talking off the top of your head: Toward a mental
prosthesis utilizing event-related brain potentials. Electroencephalography and Clinical
Neurophysiology, v. 70, p. 510523, 1988. Citado na pgina 36.
FELTON, E. A. et al. Electrocorticographically controlled braincomputer interfaces
using motor and sensory imagery in patients with temporary subdural electrode implants.
Journal of Neurosurgery, v. 106, n. 3, p. 495500, 2007. Citado na pgina 33.
FERREIRA, A. et al. Improvements of a Brain-Computer Interface Applied to a Robotic
Wheelchair. In: Ana Fred; Joaquim Filipe; Hugo Gamboa. (Org.). Biomedical Engineering
Systems and Technologies. Berlim: Springer Berlin Heidelberg, v. 52, p. 6473, 2009.
Citado 4 vezes nas pginas 35, 58, 63, and 73.
FERREZ, P.; MILLN, J. EEG-Based Brain-Computer Interaction: Improved Accuracy
by Automatic Single-Trial Error Detection. In: Advances in Neural Information Processing
Systems 21. [S.l.: s.n.], 2007. Citado na pgina 35.
FRIMAN, O.; VOLOSYAK, I.; GRASER, A. Multiple channel detection of steady-state
visual evoked potentials for brain-computer interfaces. Biomedical Engineering, IEEE
Transactions on, v. 54, n. 4, p. 742750, April 2007. Citado na pgina 51.
Bibliography
91
92
Bibliography
KARIM, A. et al. Neural internet: Web surfing with brain potentials for the completely
paralyzed. Neurorehabilitation and Neural Repair, v. 20, n. 4, p. 508515, 2006. Citado
na pgina 35.
KAUHANEN, L.; NYKOPP, T.; SAMS, M. Classification of single {MEG} trials related
to left and right index finger movements. Clinical Neurophysiology, v. 117, n. 2, p. 430
439, 2006. ISSN 1388-2457. Citado na pgina 33.
LEEB R.AND KEINRATH, C. et al. Walking by thinking: the brainwaves are crucial, not
muscles! Presence: Teleop virtural Environ, v. 5, p. 500514, 2006. Citado na pgina 63.
LOBO, F. Sistemas e veculos Autnomos - Aplicaes na Defensa. Dissertao (Mestrado)
Faculdade de Engenharia da Universidade do Porto, revised 4 sep/2013. 2005. Citado
na pgina 29.
MA, Z.; GAO, X.; GAO, S. Enhanced P300-based cursor movement control. Lecture Notes
in Computer Science (including subseries Lecture Notes in Artificial Intelligence and
Lecture Notes in Bioinformatics). LNAI, v. 4565, p. 120126. ., 2007. Citado na pgina
63.
MARTINEZ, P.; BAKARDJIAN, H.; CICHOCKI, A. Fully online multicommand
brain-computer interface with visual neurofeedback using SSVEP paradigm. Comput
Intell Neurosci, 2007. Citado na pgina 63.
MCFARLAND, D. et al. Emulation of computer mouse control with a noninvasive
brain-computer interface. J Neural Eng, v. 2, p. 101110, 2008. Citado na pgina 63.
MELCHIOR, N.; SMART, W. A framework for robust mobile robot systems. 2004.
145-154 p. Citado na pgina 48.
MELLINGER, J. J. et al. An meg-based braincomputer interface (bci). NeuroImage,
v. 36, n. 3, p. 581 593, 2007. ISSN 1053-8119. Citado na pgina 33.
MICHEL, C.; BRANDEIS, D. Simultaneous EEG and fMRI: Recording, Analysis, and
Application. In:
. [S.l.]: Oxford University Press, 2010. cap. Physiological Basics of
EEG and fMRI, p. 319. Citado na pgina 33.
MILLN, J. et al. Noninvasive brain-actuated control of a mobile robot by human EEG.
IEEE transactions on bio-medical engineering, v. 51, n. 6, p. 10261033, 2004. Citado 4
vezes nas pginas 33, 36, 60, and 63.
MONTEMERLO, M.; ROY, N.; THRUN, S. Perspectives on standardization in mobile
robot programming: the carnegie mellon navigation (carmen) toolkit. In: IROS03. [S.l.:
s.n.], 2003. p. 24362441. Citado na pgina 48.
MONTERMELO, M. et al. Junior: The Stanford Entry in the Urban Challenge. [S.l.]:
The DARPA Urban Challenge: Springer Tracts in Robotics Advance, 2009. 91-123 p.
Citado na pgina 44.
MULLER, S.; BASTOS-FILHO, T.; SARCINELLI-FILHO, M. Incremental ssvep analysis
for bci implementation. In: Engineering in Medicine and Biology Society (EMBC), 2010
Annual International Conference of the IEEE. [S.l.: s.n.], 2010. p. 33333336. Citado na
pgina 51.
Bibliography
93
94
Bibliography
Annex
97
ANNEX A GRAFCET
0
A0
=1
=1
1
10
A<B
t=1s
3a
1x
A9
=1
A3
2x
A>=B
C=5
12
A3
4x
A<B or O=1
Adquisio
5x
A6
A>=B
Menu=2
4a
8x
A8
Menu=1
6x
=1
A5
C=5
A10
=1
A1
t=1s
=1
3a
A2
=1
A4
3x
A7
=1
7x
A<B
ICC-Hbrida
11
C=5
A3
=1
2a
A1
A0=
A1=
A2=
A3=
A4=
A5=
A6=
A7=
A8=
A9=
A10=
Aes
Setup
Share
Read
C=C+1;A;B;
C=1
MSI1
MSI2
Reclassication
Send; O=1
C=1;Next
Turn on ;Menu
Turn of f ; Save
SSVEP
98
ANNEX A. GRAFCET
A0
=1
=1
1
10
A<B
t=1s
3a
1x
A9
=1
A3
2x
A>=B
C=5
12
A3
4x
A<B or O=1
Adquisio
5x
A6
A>=B
Menu=2
4a
8x
A8
Menu=1
6x
=1
A5
C=5
A10
=1
A1
t=1s
=1
3a
A2
=1
A4
3x
A7
=1
7x
A<B
ICC-Hbrida
11
C=5
A3
=1
2a
A1
A0=
A1=
A2=
A3=
A4=
A5=
A6=
A7=
A8=
A9=
A10=
Aes
Setup
Share
Read
C=C+1;A;B;
C=1
MSI1
MSI2
Reclassication
Send; O=1
C=1;Next
Turn on ;Menu
Turn of f ; Save
SSVEP
99
A0
=1
=1
1
10
A<B
t=1s
3a
1x
A9
=1
A3
2x
A>=B
C=5
12
A3
4x
A<B or O=1
Adquisio
5x
A6
A>=B
Menu=2
4a
8x
A8
Menu=1
6x
=1
A5
C=5
A10
=1
A1
t=1s
=1
3a
A2
=1
A4
3x
A7
=1
7x
A<B
ICC-Hbrida
11
C=5
A3
=1
2a
A1
A0=
A1=
A2=
A3=
A4=
A5=
A6=
A7=
A8=
A9=
A10=
Aes
Setup
Share
Read
C=C+1;A;B;
C=1
MSI1
MSI2
Reclassication
Send; O=1
C=1;Next
Turn on ;Menu
Turn of f ; Save
SSVEP
101
TCB
TCB
GRANT OF EQUIPMENT
AUTHORIZATION
Certification
Issued Under the Authority of the
Federal Communications Commission
By:
Compliance Certification Services
47173 Benicia Street
Fremont, CA 94538
Grant Notes
Inc
2402.0 - 2480.0
Emission
Designator
103
104
superfcie da cabea, alm das orelhas, e ser aplicado uma soluo salina de acoplamento
aos eletrodos. Em seguida voc se sentar em frente a um monitor de computador. Voc
ser instrudo a no se mover e manter ambos os braos relaxados.
Um sinal sonoro indicar ento que o experimento comear. Aparecer ento na
tela do computador uns retngulos pretos e brancos que iro piscar a uma determinada
frequncia. Os valores da frequncia de piscada iro variar de 5 at 8 Hz.
Quais so os riscos envolvidos na minha participao? No h qualquer
risco envolvido, pois sero utilizados eletrodos e equipamentos normalmente utilizados na
coleta de dados de sinais cerebrais.
Quais so os benefcios associados com a minha participao? Os benefcios com a sua participao so que voc estar contribuindo para que seja desenvolvido
um veculo autnomo que posse ser conduzido por sinais cerebrais.
O que acontecer com a informao que eu fornecerei? A informao que
voc fornecer durante a realizao das pesquisas no ser utilizada para que voc seja
identificado, a no ser por deciso judicial ou por uma ordem expressa sua.
Quais so os meus direitos como participante? Os direitos que voc tem
como participante desta pesquisa so os seguintes:
105
Atenciosamente,
107
Eu,
do registro e identidade nmero
pelo paciente
as afirmaes abaixo relacionadas:
, portador(a)
, responsvel
, declaro que li e concordo com
108
Vitria,
de
Paciente ou Responsvel
Pesquisador Responsvel
de 2014.
109
Index
Aes, 64
Acurcia, 60
Adaptativo, 59
Alfa, 58
ALS, 80
Assncronas, 36
Ativao, 57
BCI, 33
Bioeltrica, 29
Kappa, 60
LASSO, 54
Ligaes orientadas, 64
Mediana, 59
Medidas de desempenho, 59
MEG, 33
MSI, 54
Navegao, 61
CCA, 52
Comando, 41
Controle, 41
Off-line, 71
On-line, 74
Desativao, 57
PET, 33
Planejamento, 41
PSDA, 51
ECoG, 33
EEG, 29
endgenas, 33
ERD, 58
Especificidade, 60
Etapa, 64
Evocados, 35
exgenas, 33
fMRI, 33
Franqueio, 65
GRAFCET, 64
H-PSDA-CCA, 55
Hbrido, 55
IARA, 46
ICC, 29
ICC-Hibrida, 61
ICC-SSVEP, 51
Interface, 29
ITR, 60
Receptividades, 64
Reclassificaa, 56
Regras de evoluo, 64
Sncronas, 35
Sensibilidade, 60
SFC, 64
SSVEP, 29
Transformada Fourier, 51
Transformada Hilbert, 58
Transies, 64
Veculo Autnomo, 29