XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS

ESTIMATIVA DE PICOS ESPECTRAIS PARA COMPOSICAO DE VETOR DE

CARACTERISTICAS DE UMA INTERFACE CEREBRO-COMPUTADOR

Sandra Mara Torres Muller, Bruno Salezze, Teodiano Freire Bastos, Mario
Sarcinelli Filho

Departamento de Engenharia e Ciencias Exatas, Universidade Federal do Esprito Santo - UFES
Rodovia BR 101 Norte, Km. 60, Bairro Litoraneo, 29932-540, Sao Mateus-ES, Brasil

Departamento de Engenharia Eletrica, Universidade Federal do Esprito Santo - UFES
Av. Fernando Ferrari, 514 29075-910, Vitoria-ES, Brasil

Emails: sandramuller@ceunes.ufes.br, brunosalezze@gmail.com, teodiano@ele.ufes.br,

mario.sarcinelli@ele.ufes.br

Abstract This work presents a way to enhance the Power Spectral Density (PSD) of the Steady State
Visual Evoked Potentials (SSVEP) from the EEG signal. The enhancement is obtained by using the statistical
test presented in (Infantosi et al., 2005) and reduces, or even eliminates, the peaks of frequency that are not
related to the frequency stimulus presented to the subject. As in an identification system, the frequencial peaks
can be interpreted as the features of this system. The experiments were performed with 6 volunteers and 19 values
of frequency stimulus. Thus, interpreting a Brain-Computer Interface (BCI) as a pattern recognition system,
this work provides a reliable feature extraction method enable to improve the desired pattern recognition.

Keywords Visual evoked potential, BCI, EEG analysis

Resumo Neste trabalho e apresentado uma forma de realcar a Densidade Espectral de Potencia dos Po-
tenciais Evocados Visuais em Estado Permanente presentes no sinal de EEG. O realce e alcancado a partir do
teste estatstico apresentado em (Infantosi et al., 2005) e reduz, ou mesmo elimina, picos de frequencia que nao
estao relacionados com a frequencia de estmulo utilizada. Pensando em um sistema de identificacao, os picos
frequenciais se tornam as caractersticas desse sistema. Os experimentos realizados contam com 19 valores dis-
tintos de frequencia e com 6 voluntarios. Assim, interpretando uma Interface Cerebro-Computador (ICC) como
um sistema de reconhecimento de padroes, este trabalho introduz um aumento da confiabilidade no sistema de
extracao de caractersticas, o que leva a uma melhoria do reconhecimento do padrao desejado.

Palavras-chave Potenciais evocados visuais, Interface Cerebro-Computador, Analise de EEG

1 Introducao espaco original de caractersticas, de dimensionali-

A extracao de caractersticas e parte fundamen-
tal em uma Interface Cerebro-Computador (ICC),
sendo um dos responsaveis pelo crescimento da
taxa de classificacao correta do sistema. Assim,
o que se deseja neste trabalho e buscar a melhor,
ou mais relevante, representacao para os poten-
ciais evocados visuais no estado permanente (SS-
VEP), isto e, potenciais evocados visuais com uma
frequencia de estmulo acima de 4 Hz. Esta repre-
sentacao se da atraves dos parametros, ou carac-
tersticas, extrados de um sinal. Como mostrado
em (Jain et al., 2000), um conjunto de parametros
limitado e significativo simplifica a representacao
de um padrao. Consequentemente, o classificador
resultante sera mais rapido e usara menos memo-
ria. Por outro lado, a reducao no numero de pa-
rametros caracterizadores pode levar a uma perda
na capacidade de discriminacao de informacao, e,
portanto, a uma perda da precisao do sistema de
reconhecimento resultante.
Quando se fala em metodos de extracao de ca-
ractersticas, estamos nos referindo aos algoritmos
que criam novos parametros a partir de transfor-
macoes ou combinacoes do conjunto original. As-
sim, metodos de extracao de caractersticas deter-
minam um sub-espaco de dimensionalidade m no
dade d, onde m < d (van der Heijden et al., 2004).
Sabe-se, a partir de (Herrmann, 2001) e
(Infantosi et al., 2005), que a frequencia periodica
presente em uma estimulacao visual produz uma
resposta no sinal de EEG sincronizada com o est-
mulo, seja em sua componente fundamental ou em
seus harmonicos. Portanto, no espectro do EEG,
durante a estimulacao do SSVEP, aparecem picos
agudos nas frequencias de estmulo, assim como
em suas harmonicas e sub-harmonicas, mas ha
tambem a presenca de picos espurios. Portanto,
os potenciais evocados visuais no estado perma-
nente possuem uma forte caracterizacao frequen-
cial. Com a experiencia do trabalho desenvolvido
em (Muller et al., 2008), agora sera providenci-
ado um realce dos picos do espectro de poten-
cia, para a melhoria da extracao de caractersti-
cas, evitando assim as componentes induzidas. A
forma de estimar o espectro de um sinal e apre-
sentada na Secao 2. Ja o tratamento estatstico,
que leva a um realce das componentes frequenciais
evocadas e a diminuicao do numero de parame-
tros, e apresentado na Secao 3. Ja os resultados
do teste estatstico aplicado sao apresentados na
Secao 4.

3794
XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS
2 Estimativa do Espectro de Potencia
Uma das formas mais comuns de estudar a ca-
racterstica frequencial de um sinal e pela estima-
tiva espectral. O espectro de potencia pode ser
estimado para sinais determinsticos e estocasti-
cos. Uma vez que o sinal seja determinstico, isto
e, o seu modelo e conhecido, a analise de Fou-
rier, com o uso da serie ou da transformada, e a
mais indicada (Manolakis et al., 2005). Quando
o sinal e modelado de forma estocastica, apare-
cem dois tipos de tecnicas, a saber, a parametrica
e a nao-parametrica. A tecnica parametrica as-
sume que o sinal a ser analisado foi gerado por
um modelo parametrico especfico, como o modelo
harmonico, o modelo auto-regressivo ou o modelo
polo-zero. Como a escolha de um modelo inapro-
priado pode levar a resultados erroneos, a aplica-
cao desta tecnica se torna complexa. Ja as tec-
nicas nao-parametricas nao assumem uma forma
funcional particular, mas permitem que a forma
do estimador seja determinada totalmente pelos
dados. Estes metodos sao baseados na transfor-
mada discreta de Fourier (DFT) do segmento do
sinal analisado, ou de sua sequencia de autocorre-
lacao, como mostrado em (Manolakis et al., 2005).
Um dos metodos nao-parametricos mais conheci-
dos e o periodograma, usado na estimacao do es-
pectro de potencia de sinais aleatorios estaciona-
rios.
Para sinais aleatorios estacionarios, os mo-
mentos de segunda ordem, como a autocorrelacao,
rx (l), e a densidade espectral de potencia (PSD),
Rx (ej ), representam uma funcao crucial na ana-
lise e modelamento de sinais. Do ponto de vista
pratico, a maioria dos processos aleatorios estaci-
onarios possui espectro contnuo. Assim, a den-
sidade espectral de potencia de um processo es-
tocastico estacionario com media zero e definida
por
X do espectro deste tipo de sinal envolve tres eta-
Rx (ej ) = rx (l)ejl ,
l=
assumindo que a sequencia de autocorrelacao rx (l)
e absolutamente somavel.
O periodograma do segmento de dados ou
segmento de sinal {x(n)N 0
1
} e definido em
(Manolakis et al., 2005) como
N 1 2 de amostras de x(n) e fixo, a unica forma de tra-
1 X 1 2
jn
j
Rx (e ) = (n)e = V (ej ) ,
N N
n=0
onde V (ej ) e a DFT da sequencia vista pela ja-
nela (n), ou seja,
(n) = x(n)(n) 0 n N 1.
Esta definicao de periodograma vem da rela-
cao de Parseval sobre a potencia de um sinal. Ge-
ralmente, o termo periodograma e usado quando
3795
a janela (n) e retangular. Ja o termo periodo-
grama modificado e usado para ressaltar o uso de
uma janela nao-retangular. O periodograma, em
um conjunto discreto de frequencias, e calculado
usando a DFT de N pontos do segmento de sinal
(n). Assim como acontece com os sinais determi-
nsticos, o periodograma de sinais aleatorios leva
ao espectro de energia original quando o numero
de observacoes N .
E mostrado em (Manolakis et al., 2005) que o
principal problema do periodograma esta em sua
variancia, que deve ser reduzida para suavizar o
espectro estimado. Sabe-se, tambem, que a va-
riancia da soma de K variaveis aleatorias inde-
pendente e identicamente distribudas (iid) e 1/K
vezes a variancia de cada variavel aleatoria. As-
sim, para reduzir a variancia do periodograma,
pode-se tirar a media dos periodogramas de K
diferentes realizacoes de um sinal aleatorio esta-
cionario. Para isso, divide-se o sinal de interesse
x(n), 0 n N 1, em K segmentos meno-
res e contguos xi (n). O periodograma do i-esimo
segmento, de duracao L, sera
L1 2
1 1 X
2
Rx,i (ej ) = Xi (ej ) = xi (n)ejn .
L L n=0
A estimativa do espectro RxM P (ej ) e obtida
fazendo a media dos K periodogramas
K1
i X
RxM P (ej ) = Rx,i (ej ), (1)
K i=0
onde o sobre-ndice M P significa media dos peri-
odogramas. O periodograma estimado RxM P (ej )
e conhecido como a estimacao de Bartlett.
Grande parte das aplicacoes de estimacao de
espectro envolve sinais de tempo contnuo, como
e o caso do sinal de EEG. O calculo numerico
pas, que sao a amostragem, a multiplicacao pela
funcao janela e a determinacao do espectro pro-
priamente dita. Em relacao a determinacao do
espectro, para se obter mais amostras da DFT
de N valores, ou seja, uma densidade maior de
amostras, aumenta-se o numero de pontos de cal-
culo da DFT de x(n). Esse numero e chamado de
N F F T , tal que N F F T N . Como o numero
tar x(n) como uma sequencia de N F F T pontos e
adicionando (N F F T N ) zeros. Esta operacao
e chamada de zero padding e entre suas funcoes
esta a de aumentar a densidade frequencial do es-
pectro. E importante comentar que a operacao de
zero padding nao aumenta a resolucao de frequen-
cia, apenas faz uma melhor exibicao da informacao
disponvel, isto e, um espectro de alta densidade.
Para determinar um espectro de alta resolucao e
necessario coletar mais informacoes, aumentando
N.
XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS
Apesar que o uso de alguns tipos de janela
possa resultar em espectros mais suavizados, isso
tambem pode levar a perda de informacao fre-
quencial. Assim, a reducao de variancia de um
periodograma, que implica em sua suavizacao, nao
e uma exigencia para este trabalho. Alem disso, o
metodo de periodograma e um estimador da den-
sidade espectral de potencia, e funciona como uma
transformada de Fourier da sequencia de autocor-
relacao do sinal. Para melhorar o desempenho
estatstico de um periodograma basta calcular a
sua media. Isto e feito segmentando os dados
para obter varios registros, e por fim fazendo a
media dos periodogramas de cada registro. Este
e o conhecido metodo Welch-Bartlett (Manolakis
et al., 2005), que foi utilizado nos experimentos
desenvolvidos. Como o sinal de EEG pode ser
considerado estacionario para segmentos curtos,
foi utilizado o periodograma na estimacao do es-
pectro do sinal de EEG registrado.
3 Teste Estatstico
De acordo com (Liavas et al., 1998), considere que
f (n) seja a resposta evocada associada ao SSVEP,
e y(n) corresponda as oscilacoes induzidas do sinal
de EEG. Assim, o sinal de EEG registrado durante
o repouso (antes do estmulo) e o estmulo serao,
respectivamente, xpre (n) e xpos (n), dados por
xpre (n) = ypre (n)
xpos (n) = f (n) + ypos (n).
Como o sinal de EEG pode ser assumido como
um sinal estacionario e amostra de um processo
gaussiano de media zero (Liavas et al., 1998), en-
tao as series de tempo ypre (n) e ypos (n) podem ser
consideradas como parte do mesmo processo es-
tacionario. Assim, suas estimativas de densidade
espectral de potencia, chamadas, respectivamente,
de Pyypre (f ) e Pyypos (f ), sao coincidentes. Com
uma suposicao levemente menos restritiva pode-se
assumir que Pyypre (f ) e Pyypos (f ) sao relaciona-
dos via uma fator de escala, isto e,
Pyypos (f ) = Pyypre (f ).
Isto significa que a densidade espectral de potencia
de ypre (n) e ypos (n) tem a mesma forma, mas nao
necessariamente a mesma amplitude.
A forma mais natural de se estimar Pyypos (f )
seria usando o dado durante o estmulo, xpos (n).
Entretanto, xpos (n) contem as respostas evocada
e induzida ao mesmo tempo, e entao o espectro es-
timado seria diferente de Pyypos (f ) devido a con-
tribuicao da resposta evocada. Uma forma de es-
timar Pyypos (f ) seria a partir do sinal de repouso
xpre (n), ou seja, ypre (n), uma vez que seus espec-
tros sao proporcionais.
Como em (Infantosi et al., 2005), para aumen-
tar a significancia estatstica da estimativa espec-
tral, pode-se utilizar o periodograma de Bartlett
3796
(Manolakis et al., 2005). Este metodo e apresen-
tado na Secao 2, com a Equacao 1 reescrita, para
conformidade de nomenclatura, como
M 1
1 X (m)
PB (f ) = P (f ),
M m=0 xx
onde M e o numero total de sub-trechos de x(n)
(m)
(independentes e com igual duracao) e Pxx (f ) e
o espectro estimado do m-esimo sub-trecho. Logo,
PB (f ) tem distribuicao qui-quadrada de 2M graus
de liberdade, isto e, 22M . Tambem tem-se que, se
z 2 (k), w 2 (r) e z, w sao independentes,
entao
(z + w) 2 (k + r)
z/k
F (k, r),
w/k
onde F (k, r) e a distribuicao F com k e r graus
de liberdade. Assim, assume-se o teste F , deno-
minado em (Infantosi et al., 2005) como teste F -
espectral (T F E) expresso como
Pxxpos (f )
T F E(f ) = .
Pyypre (f )
Este teste tem como hipoteses nula e alterna-
tiva as expressoes dadas por
H0 : f (n) = 0,
H1 : H0 e f also.
Na ausencia de resposta evocada tem-se que, sob
H0 ,
My
T F E(f ) F2Mx ,2My ,
Mx
onde Mx e o numero de sub-trechos usados para
estimar o espectro durante o estmulo, e My e o
numero de sub-trechos usados para estimar o es-
pectro durante o repouso (Infantosi et al., 2005).
Consequentemente, H0 e rejeitado em favor
de H1 no nvel de significancia a partir do valor
crtico
T F Ecrit = F(2Mx ,2My ,) .
Isto e, o valor crtico corresponde a hipotese nula
H0 de ausencia de resposta. Portanto, sera con-
siderada a presenca de resposta evocada para os
valores de espectro que estao acima do valor cr-
tico.
4 Experimentos e Resultados
Para se analisar os SSVEP no domnio da frequen-
cia, foi realizado um experimento que contou com
seis voluntarios saudaveis masculinos, com idades
entre 20 e 32 anos. Eles serao chamados de Vol1
XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS
ate Vol6 por ordem alfabetica do nome. Foram
registrados 2 minutos de sinal de EEG enquanto o
voluntario visualizava a tela de um monitor LCD
de 17 polegadas ligado mas sem imagem, sentado
a uma distancia aproximada de 70 cm. Esta etapa
corresponde ao estado chamado repouso. Depois,
foram gravados 2 minutos de sinal de EEG com
uma tarja de estmulo apresentada no centro da
tela do monitor. As frequencias de estmulo usa-
das, individualmente, foram: 5; 5,6; 6; 6,4; 6,9; 7;
8; 9; 10; 11; 12; 13; 14; 15; 16; 17; 18; 19; 20 Hz
(nesta ordem).
O sinal de EEG foi gravado nos canais: P7,
PO7, P5, PO3, POz, PO4, P6, PO8, P8, O1, O2
e Oz. A taxa de amostragem foi de 600 Hz e a
filtragem de 0,1 a 100 Hz. Uma vez registrado o
sinal de EEG, foi retirada a sua media e aplicada
a tecnica de filtragem espacial CAR (do ingles,
Common Average Reference). Depois foi aplicado
sobre o sinal resultante um filtro Butterworth de
ordem 4, com banda de passagem de 3-50 Hz.
Estudou-se qual a melhor janela a ser usada
com o uso da funcao chamada periodogram do
Matlab, usando as janelas: retangular, bartlett,
chebyshev, gaussiana, kaiser e hamming. Nesta
fase de comparacao foi utilizado, empiricamente,
o 15o segundo dos voluntarios com uma N F F T
igual a 4096, isto e, foi utilizado um unico seg-
mento de 1 s, correspondente a 600 amostras. A
Figura 1 mostra os espectros obtidos para o Vol3
a uma frequencia de estmulo de 6,4 Hz.
Pode-se observar que as janelas que apresen-
tam uma suavizacao podem perder informacao
espectral sobre o sinal original. Assim, janelas
com rudo, apesar dos picos espurios, apresentam
as componentes frequenciais relacionadas ao est-
mulo, sendo mais fiel ao espectro do sinal. Por
isso, optou-se pela janela retangular, que mantem
o sinal original, evitando apenas uma dispersao es-
pectral, de acordo com os resultados encontrados
em (Infantosi et al., 2005). Os rudos espurios se-
rao minimizados ou mesmo eliminados com o teste
estatstico apresentado na Secao 3.
Uma vez decidido o tipo de janela a ser usado,
seria necessario saber qual o tamanho de sinal a
ser analisado (chamado de intervalo) e em quan-
tos trechos, ou segmentos, dividi-lo. Para isso, e
importante ressaltar que este trabalho tem como
interesse uma atualizacao do sistema a cada 1 s.
Entende-se por atualizacao o processamento de si-
nal do segundo imediatamente anterior e selecao
de uma classe neste intervalo. Isso se da pelo in-
teresse em uma posterior implementacao de uma
ICC online sendo atualizada a cada segundo. As-
sim, os intervalos analisados foram 1, 2, 4 e 8 s, e o
numero de segmentos usados para cada intervalo
foi de 1, 2 ou 4 trechos.
Para a aplicacao do teste estatstico calculou-
se a media dos periodogramas do sinal de re-
pouso em 120 intervalos de 1 segundo. Depois
3797
determinou-se a media do periodograma do sinal
de estmulo para cada intervalo e numero de seg-
mentos ja comentados. Aplicou-se o teste esta-
tstico usando os espectros de repouso e estmulo.
Fixando o 16o segundo e fixando o canal Oz, uma
inspecao visual foi realizada para todos os volunta-
rios, e por fim se optou por intervalos de 4 s com 4
segmentos cada. Tudo isto leva a um valor crtico
da distribuicao F igual a F (8, 240, 0, 05) = 1, 939,
para um nvel de significancia de 0,05.
Assim, foram fixados os parametros para o si-
nal de estmulo: janela retangular, intervalo de
4 s, deslizante em passos de 1 s, com media de
4 segmentos (trechos) de 1 s, compondo 117 in-
tervalos distintos. Para o repouso temos: janela
retangular, intervalo de 1 s, deslizante em passos
de 1 s, isto e, intervalos contguos, com um unico
segmento de 1 s. Para demonstrar a eficacia do
teste estatstico, e apresentada a Figura 2 para o
canal Oz, do Vol3, na frequencia de estmulo de
6,4 Hz. Na Figura 2(a) e mostrado o espectro do
sinal de estmulo no 15o segundo, mas agora so-
bre um intervalo de 4 s com 4 segmentos, isto e,
a media do espectro do 15o segundo ate 18o ; na
Figura 2(b) tem-se o espectro da media dos 120
intervalos de 1 s do sinal de repouso; e por fim, na
Figura 2(c) e mostrada a razao entre os espectros,
resultante do teste estatstico aplicado, junto com
seu valor crtico.
Pode-se observar, na Figura 2, os seguintes
aspectos, que tambem podem ser aplicados aos
outros voluntarios: (i) usando a media de 4 seg-
mentos de 1 s, ha uma melhora dos valores dos
picos em relacao ao uso de um unico segmento de
1 s, mostrado na Figura 1 (observando o caso de
janela retangular); (ii) de uma forma geral, o teste
estatstico permitiu um realce da componente fun-
damental e de seus harmonicos; (iii) o teste tam-
bem reduziu a influencia das componentes induzi-
das, principalmente na banda alfa (por volta de 10
Hz); e (iv) ha poucos picos acima do valor crtico
que nao correspondem ao estmulo, e seus valores
sao bem abaixo das componentes do estmulo.
Considerando-se apenas os canais occipitais
O1, O2 e Oz, buscou-se de forma automatica o
numero de picos, apos o teste, que correspondiam
a componente fundamental e seus harmonicos. De
forma geral, os voluntarios apresentaram melhores
resultados em baixas frequencias (ate 14 Hz) para
a componente fundamental e os dois harmonicos
seguintes, enquanto o Vol3 possui uma deteccao
mais acentuada no 2o harmonico, e o Vol5 na com-
ponente fundamental.
A partir de toda analise feita, foram escolhi-
dos valores de frequencia nos quais os 6 voluntarios
tenham, simultaneamente, um desempenho razoa-
vel. Assim, foram selecionados os valores 5; 6,4;
7; 8; 13 e 14 Hz, para o prosseguimento dos es-
tudos de classificacao. Para melhor visualizacao
dos resultados, os mesmos foram selecionados e
XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS
Figura 1: Comparacao de tipos de janela para a estimativa da densidade espectral de potencia.
apresentados na Tabela 1. Nota-se que, com este
metodo, ha a deteccao de ate 100% (Vol5-6,4Hz),
ou mesmo proximo a este valor. Pode-se observar
tambem que baixas deteccoes na componente fun-
damental podem ser compensadas pelas deteccoes
no segundo e terceiro harmonico (Vol3 ). E por
fim, percebe-se que cada voluntario se comporta
de forma distinta, ja comentada.
5 Conclusao
Este trabalho mostra o tratamento realizado sobre
o sinal de EEG para a identificacao dos SSVEPs,
deixando claro que e possvel sobressair a frequen-
cia advinda de um estmulo no espectro do sinal
de EEG associado. Essa identificacao e renovada
a cada segundo, permitindo, assim, a implemen-
tacao de uma ICC online.
Uma vez escolhidas as frequencias de estmulo
com alto ndice de identificacao, pode-se pensar
no sistema de classificacao, que pode ter como
parametros de entrada os picos de frequencia e
seu valor de frequencia associado. Isso levaria
a uma ponderacao dos picos espurios, que geral-
mente possuem amplitudes baixas em relacao as
componentes do estmulo.
Como estudo futuro, deve-se avaliar se o ren-
dimento caiu a partir dos 16 Hz devido a distancia
temporal do seu registro em relacao ao registro do
sinal de repouso, ou se e devido a caracterstica de
resposta frequencial do corpo humano, conforme
(Herrmann, 2001). Outro etapa seria a implemen-
tacao de um classificador a partir da extracao de
caractersticas desenvolvida neste trabalho, o que
permitira a comparacao com outros classificadores
3798
feitos para o mesmo tipo de ICC.
Referencias
Herrmann, C. S. (2001). Human eeg responses to 1-100
hz flicker: resonance phenomena in visual cortex
and their potential correlation to cognitive phe-
nomena, Exp. Brain Res. 137: 346353.
Infantosi, A. F. C., Lazarev, V. V. e de Campos, D. V.
(2005). Deteccao de resposta a fotoestimulacao
intermitente no eletroencefalograma utilizando o
teste f-especral, Revista Brasileira de Engenharia
Biomedica 21(1): 2536.
Jain, A. K., Duin, R. P. W. e Mao, J. (2000). Statis-
tical pattern recognition: A review, IEEE Tran-
sactions on Pattern Analysis and Machine Intel-
ligence 22(1): 437.
Liavas, A. P., Moustakides, G. V., Gunter, Psarakis,
E. Z. e Husar, P. (1998). A periodogram-based
method for the detection of steady-state visually
evoked potentials, IEEE Transactions on Biome-
dical Engineering 45(2): 242248.
Manolakis, D. G., Ingle, V. K. e Kogon, S. M. (2005).
Statistical and adaptative signal processing: spec-
tral estimation, signal modeling, adaptive filte-
ring and array processing, Artech House.
Muller, S. M. T., Garcia, F. D., Bastos-Filho, T. F.
e Filho, M. S. (2008). Estudo de potenciais evo-
cados visuais para aplicacao em uma cadeira de
rodas robotica, Anais do XVII Congresso Brasi-
leiro de Automatica p. 6p.
van der Heijden, F., Duin, R. P. W., de Ridder, D. e
Tax, D. M. J. (2004). Classification, Parameter
Estimation and State Estimation, An Enginee-
ring Approach using Matlab, Wiley.
XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS

(a) Espectro do sinal de estmulo (b) Espectro do sinal de repouso

(c) Teste estatstico dado pela razao dos espectros an-

teriores.

Figura 2: Espectro do sinal de estmulo, repouso e teste estatstico para o Vol3, canal Oz, com frequencia
de estmulo em 6,4 Hz.

Tabela 1: Deteccao dos picos (em %) das componentes frequenciais, para estmulo de 5, 6,4, 7, 8, 13 e
14 Hz.
5Hz 6,4Hz 7Hz
1o H. 2o H. 3o H. 1o H. 2o H. 3o H. 1o H. 2o H. 3o H.
V1 O2 73,5 0,0 11,1 V1 O2 91,5 13,7 3,4 V1 O2 79,5 9,4 1,7
O1 98,3 0,0 38,5 O1 94,0 70,1 38,5 O1 57,3 69,2 52,1
OZ 88,0 0,9 53,0 OZ 90,6 63,2 61,5 OZ 66,7 59,8 59,0
V2 O2 79,5 18,8 45,3 V2 O2 64,1 10,3 80,3 V2 O2 73,5 17,9 94,9
O1 55,6 17,1 49,6 O1 77,8 42,7 80,3 O1 76,9 27,4 77,8
OZ 74,4 29,9 70,9 OZ 72,6 41,9 88,0 OZ 69,2 44,4 91,5
V3 O2 47,0 8,5 41,9 V3 O2 39,3 71,8 76,1 V3 O2 96,6 94,0 75,2
O1 23,9 10,3 5,1 O1 25,6 0,9 10,3 O1 6,8 3,4 30,8
OZ 36,8 82,1 26,5 OZ 30,8 96,6 92,3 OZ 97,4 90,6 82,9
V4 O2 28,2 2,6 0,0 V4 O2 47,0 4,3 0,0 V4 O2 46,2 5,1 0,9
O1 41,0 4,3 29,9 O1 48,7 71,8 21,4 O1 71,8 31,6 22,2
OZ 93,2 7,7 54,7 OZ 64,1 73,5 40,2 OZ 89,7 66,7 12,0
V5 O2 79,5 36,8 24,8 V5 O2 100,0 21,4 21,4 V5 O2 98,3 78,6 34,2
O1 12,0 11,1 0,9 O1 37,6 3,4 0,9 O1 52,1 4,3 2,6
OZ 56,4 27,4 16,2 OZ 94,9 12,8 0,0 OZ 94,9 36,8 8,5
V6 O2 41,9 20,5 12,0 V6 O2 91,5 51,3 41,9 V6 O2 33,3 13,7 19,7
O1 9,4 5,1 1,7 O1 65,8 0,0 0,0 O1 18,8 0,0 2,6
OZ 81,2 42,7 0,9 OZ 96,6 14,5 6,0 OZ 61,5 8,5 9,4

8Hz 13Hz 14Hz

1o H. 2o H. 3o H. 1o H. 2o H. 3o H. 1o H. 2o H. 3o H.
V1 O2 49,6 29,9 6,8 V1 O2 23,9 3,4 0,0 V1 O2 11,1 0,0 0,0
O1 64,1 79,5 31,6 O1 79,5 32,5 4,3 O1 74,4 16,2 5,1
OZ 76,9 82,9 47,9 OZ 84,6 24,8 0,0 OZ 70,9 7,7 5,1
V2 O2 38,5 64,1 78,6 V2 O2 29,1 72,6 18,8 V2 O2 48,7 88,9 19,7
O1 53,0 83,8 16,2 O1 76,1 33,3 6,0 O1 49,6 7,7 0,0
OZ 82,1 82,1 62,4 OZ 47,9 52,1 10,3 OZ 43,6 64,1 0,0
V3 O2 87,2 83,8 37,6 V3 O2 64,1 31,6 7,7 V3 O2 84,6 50,4 18,8
O1 11,1 3,4 53,8 O1 10,3 55,6 13,7 O1 14,5 78,6 0,0
OZ 72,6 67,5 56,4 OZ 92,3 53,0 10,3 OZ 88,9 73,5 20,5
V4 O2 61,5 24,8 0,0 V4 O2 45,3 3,4 14,5 V4 O2 36,8 0,0 0,0
O1 94,0 90,6 31,6 O1 85,5 19,7 24,8 O1 96,6 28,2 33,3
OZ 94,0 88,9 2,6 OZ 95,7 51,3 6,8 OZ 91,5 57,3 9,4
V5 O2 90,6 66,7 0,0 V5 O2 90,6 12,0 30,8 V5 O2 95,7 0,9 6,0
O1 21,4 4,3 2,6 O1 0,9 0,0 0,0 O1 9,4 9,4 4,3
OZ 99,1 19,7 0,0 OZ 56,4 0,0 6,8 OZ 59,0 10,3 6,8
V6 O2 74,4 24,8 0,0 V6 O2 71,8 5,1 0,0 V6 O2 48,7 9,4 0,0
O1 17,1 0,0 0,9 O1 8,5 6,0 11,1 O1 9,4 6,8 5,1
OZ 61,5 4,3 1,7 OZ 59,8 7,7 0,0 OZ 49,6 6,8 7,7

3799