Escolar Documentos
Profissional Documentos
Cultura Documentos
Recife
2019
MARIA KAROLINE DA SILVA ANDRADE
Recife
2019
Catalogação na fonte
Bibliotecária Margareth Malta, CRB-4 / 1198
UFPE
BANCA EXAMINADORA
________________________________________________
Prof. Dr. Marcelo Cairrão de Araújo Rodrigues (Orientador)
Universidade Federal de Pernambuco
_________________________________________________
Prof. Dr. Ricardo Yara (Examinador Interno)
Universidade Federal de Pernambuco
__________________________________________________
Dr. Washington Wagner Azevedo da Silva (Examinador Externo)
Universidade Federal de Pernambuco
Dedico este trabalho às Universidades Públicas, e a todos que estão lutando
pela sobrevivência delas nestes tempos sombrios.
AGRADECIMENTOS
Agradeço primeiramente a Deus, porque Dele, por Ele e para Ele são todas
as coisas.
Agradeço a minha família - meus pais e minha irmã - por sempre me
apoiarem.
Agradeço a minha namorada Maíra Santana, pela companhia, pela ajuda, e
incentivo desde a graduação, não me deixando desistir no meio do caminho.
Agradeço ao meu orientador Marcelo Cairrão e ao meu coorientador
Wellington P. dos Santos, por compartilharem comigo seus conhecimentos, e acima
de tudo me lembrarem de que nosso intuito é produzir ciência para melhorar a
qualidade de vida da sociedade em que vivemos.
Agradeço ao Departamento de Engenharia Biomédica, aos secretários Rangel
e Juliana, pela disposição para me ajudar.
Agradeço aos meus colegas de trabalho pela compreensão em todos os
momentos em que tive que me dividir entre o trabalho e o mestrado, em especial, a
minha supervisora e amiga, Marcela Oliveira, que sempre me apoiou, e me ensina
todos os dias a ser uma boa profissional.
Agradeço as minhas amigas Flávia, Gabriela, Giuliana, Marília e Thamires,
que me mostram todos os dias como nós, mulheres, somos fortes e maiores que
todo o machismo impregnado na sociedade.
1 INTRODUÇÃO ........................................................................................................................... 12
3 TRABALHOS RELACIONADOS........................................................................................... 30
4 MATERIAIS E MÉTODOS....................................................................................................... 37
6 CONCLUSÃO ............................................................................................................................. 49
6.2 CONTRIBUIÇÕES.................................................................................................... 50
REFERÊNCIAS .......................................................................................................................... 51
1 INTRODUÇÃO
1.2 OBJETIVOS
2 FUNDAMENTAÇÃO TEÓRICA
Neste capítulo serão abordados os conceitos dos temas que guiam esta
pesquisa. Nele será possível entender o funcionamento de uma Interface Cérebro
Máquina, e seus desafios para aplicações, bem como das técnicas computacionais
escolhidas para realização do experimento proposto.
Há diversos métodos para captação dos sinais cerebrais, que podem ser
classificados como invasivos e não invasivos. Os métodos invasivos são menos
utilizados, por serem mais delicados e custosos, devido aos riscos que apresentam,
porém possuem uma melhor relação sinal-ruído, e são capazes de fornecer
informações mais precisa da fonte dos sinais registrados, são eles os eletrodos
intracorticais invasivos e eletrocorticograma (ECoG). Dentre os métodos não
invasivos temos: magnetoencefalograma (MEG), doppler transcraniano funcional,
ressonância magnética funcional (fMRI), espectroscopia funcional de infravermelho
(NIRS) e eletroencefalograma (EEG). Seguem na Tabela 2 abaixo algumas
características destes.
18
Vale destacar que a PCA nem sempre fornece uma boa classificação, visto
que os melhores componentes discriminantes podem não estar nos componentes
principais, o que não garante uma otimização da classificação. A PCA reduz ainda a
dimensão dos dados, efetuando a busca de uma nova representação ideal em
termos de erro médio quadrático mínimo, entre a representação e os dados
originais. Pode ser também utilizado como método de redução de ruídos.
Método Características
PCA - Transformação linear.
- Transformação de conjunto de variáveis correlacionadas em não
correlacionadas.
- Otimização dos dados em termos do erro médio quadrático.
- Pode ser utilizado como filtro para ruídos não relacionados ao sinal.
ICA - Separa um sinal em suas fontes independentes.
- Assume independência estatística mútua entre as fontes.
- Bom para remoção de artefatos não relacionados ao sinal.
CSP - Desenvolvido para problemas binários. Atualmente existem
extensões multiclasses.
- Indicado para interface cérebro-máquina síncrona.
- Sensível à resolução espacial.
CWT - Fornece informações em tempo e frequência.
- Bom desempenho para sinais não estacionários.
DWT - Fornece informações em tempo e frequência.
- Bom desempenho para sinais não estacionários.
- Menos complexo que a CWT.
Fonte: A Autora (2019).
𝑦𝑘 = 𝜑 (𝑣𝑘 + 𝑏𝑘 ) (1)
onde b é o bias.
𝑃 (𝐵|𝐴𝑖 ) ∙ 𝑃(𝐴𝑖 ) 𝑃 (𝐵 |𝐴 𝑖 ) ∙ 𝑃 (𝐴 𝑖 )
𝑃 (𝐴 𝑖 |𝐵 ) = = (2)
𝑃 (𝐵 ) ∑𝑖 𝑃(𝐵|𝐴𝑖 ) ∙ 𝑃(𝐴𝑖 )
𝑊
𝑁 = 𝑂( ) (3)
𝜖
onde W são os parâmetros livres, pesos e níveis de bias, da rede, ϵ a fração de erro
permitida, e O a ordem da quantidade entre parênteses.
Polinomial (𝛿(𝑥𝑖 ∙ 𝑥𝑗 ) + к)
𝑑
ẟ, к e d
A função de ativação f(x) de uma ELM é uma função aleatória, podendo ser
qualquer função contínua, geralmente utiliza-se uma função não linear (ZHANG et
al., 2017). Em casos em que não se conhece a função de ativação, é possível fazer
o uso de Kernels, assim como na SVM, o kernel mapeia os dados de entrada
relevantes em um espaço de características. Além dos Kernels comuns
apresentados anteriormente, existem também os Kernels morfológicos,
desenvolvidos por Azevedo et al. (2015), baseados nos operadores morfológicos
definidos na Tabela 6 abaixo:
Operação Expressão
Dilatação (𝑓 ⊕ 𝑔)(𝑢) = ⋁ 𝑓(𝑣) ∧ 𝑔(𝑢 − 𝑣)
𝑣 ∈𝑆
Erosão (𝑓 ⊖ 𝑔)(𝑢) = ⋀ 𝑓(𝑣) ∨ 𝑔̅ (𝑣 − 𝑢)
𝑣 ∈𝑆
Fonte: A Autora (2019).
2.5 CONSIDERAÇÕES
3 TRABALHOS RELACIONADOS
o algoritmo Linear Discriminant Analysis (LDA), que obteve uma acurácia média de
70%. Embora seja uma opção interessante, pelo fato de haver uma opção de
confirmação por parte do voluntário, há de se considerar que esta abordagem um
custo computacional maior, devido à etapa de pré-processamento, e a maior
quantidade de dados coletados.
3.2 CONSIDERAÇÕES
4 MATERIAIS E MÉTODOS
Para aquisição dos sinais foi utilizado o amplificador g.Hiamp da g.tec, com
taxa de amostragem de 256Hz. A fim de evitar ruídos no sinal foram configurados no
equipamento os filtros: Notch (60Hz) e um passa banda com limites de 0.5Hz e
30Hz. Foram utilizados 27 eletrodos, dispostos de acordo com a Figura 12, esta
disposição abrange a área sensório motora, na qual se encontram as informações
desejadas, além destes eletrodos, tem-se o posicionamento de um referencial preso
ao lóbulo auricular direito.
Para esta etapa foi utilizado o software GNU Octave, versão 4.0.3 (EATON et
al., 2015). Os registros de cada sessão foram segmentados manualmente nas três
classes de movimentos existentes, isto foi possível porque o software da g.tec
disponibiliza a matriz com a aleatoriedade dos movimentos, uma das configurações
pode ser observada na Figura 15. A janela utilizada foi de 8s, a fim de captar toda
informação da trial, com isto, obteve-se registro das seguintes quantidades de
movimentos imaginados: 100 referentes a mão direita, 98 referentes a mão
esquerda e 100 referentes ao pé; a diferença obtida deve-se provavelmente a
perdas durante o registro dos sinais, visto que o software exclui informações com
ruídos significativos.
Mão direita 0 0 0 1 1 0 0 1 0 0 1 0 0 0 1 0 0 0 1 1 1 0 0 0 1 0 1 0 0 1
Mão esquerda 1 0 1 0 0 1 0 0 1 0 0 0 1 1 0 0 1 1 0 0 0 0 1 1 0 1 0 0 0 0
Pé 0 1 0 0 0 0 1 0 0 1 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 1 0
(a)
Mão direita 1 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0
Mão esquerda 0 0 0 0 0 1 0 0 0 1 0 1 0 1 0 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1
Pé 0 1 1 1 1 0 0 0 0 0 1 0 1 0 1 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0
(b)
μ: média.
+∞
Energia
𝐸(𝑥) = ∑ |𝑥[𝑛]|2
(E(x))
𝑛=−∞
𝑛
Entropia
𝐸 (𝑆) = ∑ − 𝑥[𝑛] log 2 𝑥[𝑛]
(E(S))
𝑖=1
𝑘
Média 1
μ= ∑ 𝑥𝑛
(μ) 𝑘
𝑛=1
Range
𝑟𝑎𝑛𝑔𝑒 = max(𝑋) − min(𝑋)
(range)
Skewness 𝐸(𝑥 − 𝜇)3
(s) 𝑠=
𝜎3
Fonte: A Autora (2019).
4.4 CLASSIFICAÇÃO
Classificador Configuração
Bayes Net -
Naive Bayes -
Neurônios da camada intermediária: a,
10, 50,100
MLP Taxa de aprendizagem: 0.3
Momento: 0.2
Iterações: 500
Kernel polinomial: expoente (E) -1 a 5
SVM
Kernel RBF: ɣ= 0.01e 0.5
J48 -
Random Forest Arvores: 10, 50 e 100
Random Tree -
ELM Kernel Sigmoide
Neurônios da camada intermediária: 100
mELM
Kernel: dilatação e erosão
Fonte: A Autora (2019).
Métrica Definição
𝑝0 − 𝑝𝑒
Kappa 𝐾= *
1− 𝑝𝑒
k ≤ 0,2 Ruim
5 RESULTADOS E DISCUSSÃO
Tabela 13 - Valores médios e desvio padrão do erro médio absoluto e do tempo de treino
Erro médio
Classificador Configuração Tempo de treino
absoluto
Média DP Média DP
Bayes Net - 0,062 0,032 0,019 0,025
Naive Bayes - 0,170 0,037 0,005 0,002
Neurônios da camada
0,009 7,829 0,783
intermediária: a 0,010
Neurônios da camada
0,009 2,801
intermediária: 10 0,009 0,037
MLP
Neurônios da camada
0,009 12,826
intermediária: 50 0,010 0,112
Neurônios da camada
0,009 25,445
intermediária: 100 0,010 0,231
Kernel Linear 0,229 0,007 0,053 0,019
Kernel Polinomial E=2 0,224 0,004 0,082 0,030
Kernel Polinomial E=3 0,224 0,003 0,085 0,025
SVM Kernel Polinomial E=4 0,225 0,005 0,084 0,018
Kernel Polinomial E=5 0,225 0,006 0,088 0,023
RBF Kernel (ɣ=0.01) 0,281 0,016 0,093 0,044
RBF Kernel (ɣ=0.5) 0,226 0,005 0,060 0,014
J48 - 0,040 0,028 0,013 0,002
Arvores: 10 0,051 0,018 0,013 0,010
Random
Arvores: 50 0,051 0,014 0,057 0,012
Forest
Arvores: 100 0,051 0,015 0,111 0,018
Random Tree - 0,034 0,030 0,002 0,002
ELM Kernel Sigmoide 0,723 0,030 0,006 0,012
Kernel de dilatação 0,009 0,003 0,009 0,015
mELM
Kernel de erosão 0,009 0,001 0,008 0,015
Fonte: A Autora (2019).
Mão Mão Pé
direita esquerda
Mão 90 10 0
direita
Pior Mão 3 93 2
resultado
esquerda
Pé 56 5 39
Fonte: A Autora (2019).
Mão Mão Pé
direita esquerda
Mão 100 0 0
direita
Melhor
Mão 1 97 0
resultado
esquerda
Pé 0 0 100
Fonte: A Autora (2019).
5.1 CONSIDERAÇÕES
Por fim o Naive Bayes foi o classificador com os piores resultados de acurácia
e kappa obtidos, sendo este um classificador probabilístico tem como premissa a
independência dos atributos entre si, podendo ser este um fator indicativo do seu
baixo desempenho nos testes realizados, visto que os atributos utilizados para
caracterizar o sinal têm relações diretas entre si (CHENG; GREINER, 2001).
6 CONCLUSÃO
Desta forma, neste trabalho, foi utilizado para captação de sinais da imagética
motora das mãos e do pé, o EEG, uma das técnicas mais difundidas de aquisição de
sinal cerebral, que tem como vantagens: o baixo custo, quando relacionada a outras
técnicas; a fácil aplicação, mesmo que haja a necessidade do uso do gel condutor,
uma pessoa com um treinamento básico, é capaz de posiciona-los; e uma boa
resolução temporal. Para caracterização dos padrões existentes nestes sinais de
EEG, utilizou-se a Transformada Discreta de Wavelet, principalmente pela sua
característica de ser adequada a sinais não estacionários, como é o caso dos sinais
cerebrais, e os seguintes parâmetros: Coeficiente, Desvio padrão, Energia, Entropia,
Média, Range, Skewness; que não demandam um alto custo computacional.
6.1 LIMITAÇÕES
6.2 CONTRIBUIÇÕES
REFERÊNCIAS
ACHARYA, U. R.; OH, S. L.; HAGIWARA, Y.; TAN, J. H.; ADELI, H. Deep
convolutional neural network for the automated detection and diagnosis of seizure
using EEG signals. Computers in Biology and Medicine, v. 100, n. 1, p. 270-278,
2018.
AL-TIMEMY, A. H.; BUGMANN, G.; ESCUDERO, J.; OUTRAM, N. A preliminary
investigation of the effect of force variation for myoelectric control of hand prosthesis.
In: ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE, 35., Osaka, 2013.
Proceedings […]. Osaka: IEEE, 2013. p. 5758–5761.
ALAZRAI, R.; ALWANNI, H.; DAOUD, M. I. EEG-based BCI system for decoding
finger movements within the same hand. Neuroscience Letters, v. 698, p. 113–120,
2019.
AZEVEDO, W. W.; LIMA, S. M.; FERNANDES, I. M.; ROCHA, A. D.; CORDEIRO, F.
R.; SILVA-FILHO, A. G. da; SANTOS, W. P. dos. Fuzzy Morphological Extreme
Learning Machines to detect and classify masses in mammograms. In: IEEE
INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS (FUZZ-IEEE), Istanbul,
2015. Proceedings […]. Istanbul: IEEE, 2015. p. 1–8.
BERGMEISTER, K. D.; HADER, M.; LEWIS, S.; RUSSOLD, M. F.; SCHIESTL, M.;
MANZANO-SZALAI, K.; ROCHE, A. D.; SALMINGER, S.; DIETL, H.; ASZMANN, O.
C. Prosthesis control with an implantable multichannel wireless electromyography
system for high-level amputees: a large-animal study. Plastic and reconstructive
surgery, v. 137, n. 1, p. 153–162, 2016.
BORG, J.; LARSSON, S.; ÖSTERGREN, P.O. The right to assistive technology: For
whom, for what, and by whom?. Disability & Society, v. 26, n. 2, p. 151–167, 2011.
BREIMAN, L. Random Forests. Machine Learning, v. 45, n. 1, p. 5–32, 2001.
CONTROZZI, M.; CLEMENTE, F.; BARONE, D.; GHIONZOLI, A.; CIPRIANI, C. The
SSSA-MyHand: a dexterous lightweight myoelectric hand prosthesis. IEEE
Transactions on Neural Systems and Rehabilitation Engineering, v. 25, n. 5, p.
459–468, 2017.
52
JIANG, F.; JIANG, Y.; ZHI, H.; DONG, Y.; LI, H.; MA, S.; WANG, Y.; DONG, Q.;
SHEN, H.; WANG, Y. Artificial intelligence in healthcare: past , present and future.
Stroke Vascular Neurology, v. 2, n. 4, p. 230-243. Disponível em: doi: 10.1136/svn-
2017-000101, 2017. Acesso em: 03/05/2019.
JOCHUMSEN, M.; KHAN, I.; DREMSTRUP, K. Detecting and classifying three
different hand movement types through electroencephalography recordings for
neurorehabilitation. Medical & Biological Engineering & Computing, v. 54, n. 10,
p. 1491-1501, 2015.
KANDEL, E. R.; SCHWARTZ, J. H.; JESSELL, T. M.; SIEGELBAUM, S. A.;
HUDSPETH, A. J. Princípios de Neurociência. 5. ed. Porto Alegre: AMGH, 2014.
53
KAYIKCIOGLU, T.; AYDEMIR, O. A polynomial fitting and k -NN based approach for
improving classification of motor imagery BCI data. Pattern Recognition Letters, v.
31, n. 11, p. 1207–1215, 2010.
KHALAF, A.; SEJDIC, E.; AKCAKAYA, M. A novel motor imagery hybrid brain
computer interface using EEG and functional transcranial Doppler ultrasound.
Journal of Neuroscience Methods, v. 313, n. 1, p. 44–53, 2019.
MARTIN, S.; KELLY, G.; KERNOHAN, W. G.; MCCREIGHT, B.; NUGENT, C. Smart
home technologies for health and social care support. Cochrane Database of
Systematic Reviews, v. 4, n. 2, 2008.
SAHA, S.; MAMUN, K. A.; AHMED, K.; MOSTAFA, R.; NAIK, G. R.; KHANDOKER,
A.; DARVISHI, S.; BAUMERT, M. Progress in Brain Computer Interfaces: Challenges
and Trends. Computing Research Repository, v. abs/1901.034442, 2019.
SAMUEL, O. W.; GENG, Y.; LI, X.; LI, G. Towards efficient decoding of multiple
classes of motor imagery limb movements based on EEG spectral and time domain
descriptors. Journal of Medical Systems, v. 41, n. 12, p. 194. Disponível em: doi:
10.1007/s10916-017-0843-z, 2017. Acesso em: 22/03/2019.
SANTOS, A. R. Abordagens de aprendizado de máquina aplicadas à
classificação de dados provenientes de equipamento eletroencefalográfico
não-invasivo. 2017. Dissertação (Mestrado em Engenharia Elétrica) – Universidade
Federal do Paraná, Curitiba, 2017.
SCHEME, E.; ENGLEHART, K. Electromyogram pattern recognition for control of
powered upperlimb prostheses: state of the art and challenges for clinical use.
Journal of Rehabilitation Research & Development, v. 48, n. 6, 2011.
YE, Y.; YANG, C.; LI, X.; JU, Z.; LI, Z. The Design of Multi-task Simulation
Manipulator Based on Motor Imagery EEG. In: IEEE INTERNATIONAL
CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS, Canadá, 2017.
Proceedings […]. Canadá: SMC, 2017. p. 3284-3289.
YUAN, Q.; ZHOU, W.; LI, S.; CAI, D. Epileptic EEG classification based on extreme
learning machine and nonlinear features. Epilepsy Research, v. 96, n. 1, p. 29–38,
2011.
ZANDER, T. O.; KOTHE, C. Towards passive brain–computer interfaces: applying
brain–computer interface technology to human–machine systems in general. Journal
of Neural Engineering, v. 8, n. 2, 2011.
55
ZHANG, Y.; LIU, B.; JI, X.; HUANG, D. Classification of EEG Signals Based on
Autoregressive Model and Wavelet Packet Decomposition. Neural Processing
Letters, v. 45, n. 2, p. 365-378, 2017.
56
According to World Health Organization (WHO), more than 2 billion people will
need at least one assistive device until 2030. This estimation duplicates for the el-
derly [47, 69, 12, 68, 9, 54, 24]. WHO also points out that nowadays only one in each
10 poor people may have access to this kind of technology. That is due to the high
costs associated to this technology and the lack of awareness about the use of the
devices [47, 69, 12, 68, 9, 54, 24]. Despite these numbers, the development of new
technologies is increasing year by year. These innovations aims to improve the quality
of life of people with all kinds of disabilities.
Maria Karoline Andrade, Maíra Araújo de Santana, Giselle Moreno, Igor Oliveira, Jhonnatan Santos,
Marcelo Cairrão Araújo Rodrigues, and Wellington Pinheiro dos Santos