Escolar Documentos
Profissional Documentos
Cultura Documentos
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
Abstract This paper presents a Brain-Computer Interface architecture being implemented in a robotic wheelchair. The inter-
face uses electroencephalographic signals, working with three mental tasks, namely imagination of movements of the right or left
hand and generation of words beginning with the same random letter. This research uses a data base to perform a simulation of
real-time classification (the pseudo-online technique), in order to have a preliminary view of the performance of the proposed
BCI. The Bayesian classifier is used to recognize the mental tasks, the feature extraction uses the Power Spectral Density and to
choose the EEG channel and frequency the Kullback-Leibler symmetric divergence is adopted. A reclassification model is pro-
posed to stabilize the classifier, and the Sammon map is used to visualize the class separation in the feature space.
Keywords Brain-computer interfaces, Kullback-Leibler divergence, power spectral density, Sammon map.
Resumo Este artigo apresenta uma Interface Cérebro-Computador que está sendo implementada em uma cadeira de rodas ro-
bótica. A interface utiliza o sinal eletroencefalográfico para classificar três tarefas mentais, a saber, a imaginação de movimento
da mão direita ou esquerda e o pensamento de palavras que comecem com uma mesma letra. Esta pesquisa utiliza um banco de
dados para realizar a simulação da classificação em tempo-real (técnica pseudo-online), de forma a obter uma visão prévia do de-
sempenho da arquitetura proposta. A classificação das tarefas mentais utiliza o classificador Bayesiano, a extração de caracterís-
ticas utiliza a Densidade Espectral de Potência, e a escolha dos canais de EEG e componentes espectrais utiliza a divergência si-
métrica de Kullback-Leibler. A fim de estabilizar o resultado do classificador, um modelo de reclassificação é proposto e o mapa
de Sammon é utilizado para visualizar a separação das classes no espaço de características.
terminá-los. Para a extração de características dos sinal foi reamostrado para 64 Hz, que corresponde a
sinais de EEG, é utilizada a Densidade Espectral de uma decimação de terceira ordem.
Potência (PSD), sendo que a divergência simétrica de
Kullback-Leibler é utilizada para selecionar as carac-
terísticas mais discriminatórias que serão classifica-
das através de um classificador Bayesiano.
2 Materiais e Métodos
2.1 Banco de Dados Fig. 1. Função de autpocorrelação dos eletrodos: C3, Cz, C4, F7,
Fz, F8, P7, Pz and P8.
Esta pesquisa utilizou o banco de dados fornecido
pelo instituto IDIAP/Suiça (Millán, 2004) para reali- A simulação de tempo-real utilizou janelas de
zar a classificação pseudo-online, que é uma simula- tempo contendo um número fixo de amostras, dado
ção da classificação em tempo-real. pela análise da Função de Autocorrelação Parcial. As
O banco de dados possui gravações de EEG de janelas são continuamente deslocadas por uma amos-
três indivíduos durante a realização de três tarefas tra, mantendo a taxa de amostragem original do sinal.
mentais, que são a imaginação repetitiva de movi- O tamanho das janelas deve ser grande o suficiente
mento da mão esquerda (Classe 1 - C1) ou direita para conter a influência de uma amostra nas amostras
(Classe 2 - C2) e o pensamento de palavras que co- seguintes e caracterizar um padrão que possa ser
mecem com uma mesma letra qualquer (Classe 3 - reconhecido. Os coeficientes da FACP de todos os
C3). O propósito da utilização das tarefas mentais eletrodos foram calculados para janelas de 10 s com
sugeridas é testar a capacidade de generalização da 75% de sobreposição. A figura 2 mostra a curva
ICC proposta, que deve ser capaz de discernir entre média obtida de todas as janelas e canais calculados.
tarefas motoras cujas características estão no córtex O último coeficiente fora do intervalo de confiança
motor e a tarefa lingüística cujas características estão de Bartlett é a estimativa do tamanho das janelas de
na área de Broca e área de Wernicke. tempo, sendo obtido um tamanho de 5 s para os indi-
Cada indivíduo realizou as tarefas por aproxi- víduos 1 e 3 e 5,4 s para o indivíduo 2. Portanto,
madamente 15 s e mudou aleatoriamente para outra foram utilizadas janelas de tempo com duração de 5 s
tarefa a pedido do operador e o EEG adquirido não para todos os indivíduos.
foi dividido em épocas já que os indivíduos estão
continuamente realizando as tarefas mentais.
Os sinais de EEG do banco de dados foram ad-
quiridos com o sistema Biosemi® utilizando uma
touca com 32 eletrodos passivos posicionadas no
sistema internacional 10-20 (Böcker et al, 1994),
com taxa de amostragem de 512 Hz em full DC.
Nenhuma técnica de rejeição ou correção de artefatos
foi empregada. Posteriormente os dados foram pro- Fig. 2. Função de autocorrelação parcial dos três indivíduos.
cessados através da plataforma MATLAB® 7.6
(R2008b).
2.3 Extração de Características
vras, que ocorre na área de Broca no hemisfério acerto de 83.77±1.27%. Para o indivíduo 2 a melhor
cerebral esquerdo. configuração ocorreu utilizando ξ = 50%, que pro-
Todas as características que possuem valores de porcionou uma taxa de acerto de 65.75±1.52%. Para
discriminação acima do percentual estipulado, ξ, do o indivíduo 3 a melhor configuração foi obtida para ξ
máximo valor obtido na matriz serão selecionadas. A = 0%, que proporcionou uma taxa de acerto de
figura 7 mostra as características selecionadas da 55.53±1.59%.
matriz do indivíduo 2 utilizando ξ = 50%. Na figura 8 a classe real está representada pela
linha pontilhada e a classe predita pelo classificador
está representada pela linha contínua. A classe 1
representa a tarefa mental de imaginação de movi-
mento da mão esquerda, a classe 2 representa a tarefa
mental de imaginação de movimento da mão direita e
a classe 3 representa a tarefa mental de pensamento
de palavras que comecem com uma mesma letra
qualquer.
TABELA II
para a classificação. Sun et al. utilizou remoção offli- Embedded EEG using short-time principal com-
ne de artefatos, e o sinal de EEG foi filtrado entre 8- ponent analysis. Em: Dornhege, G; Millán, J. M;
13 Hz para o indivíduo 1 e 2 e entre 11-15 Hz para o Hinterberger, T; McFarland, D. J e Müller, K. R.
indivíduo 3. Uma abordagem multi-classes da técnica Toward Brain-Computer Interfacing. Cam-
Common Spatial Patters (CSP) foi utilizada para bridge: The MIT Press, pp.261-278.
seleção dos eletrodos e o classificador support vector Blankertz, B; Dornhege G; Lemm S; Krauledat, M;
machines (SVM) foi utilizado. Schlögl et al. suba- Curio, G e Müller, K. R (2007). “The Berlim
mostrou o EEG para 128 Hz, formou canais bipolares Brain-Computer Interface: Machine Learning
e estimou modelos autoregressivos para cada canal, Based Detection of User Specific Brain States”.
considerando a energia das bandas α e β. Então, a In: Dornhege, G; Millán, J. M; Hinterberger, T;
característica com maior discriminação foi selecio- McFarland, D. J e Müller, K. R. Toward Brain-
nada para uma classificação estatística. Arabi et al. Computer Interfacing. Cambridge: The MIT
subamostrou o EEG para 128 Hz e o filtrou entre 0.5- Press, pp.85-102.
45 Hz, características baseadas em medidas estatísti- Böcker, K. B. E., Avermaete, van, J. A. G. and Ber-
cas e modelos paramétricos de janelas de 1 segundo glenssen, van den, M. M. C (1994). “The Inter-
foram extraídas e classificadas por um classificador national 10-20 System Revised: Cartesian ans
Bayesiano. Salehi utilizou uma combinação da ener- Spherical Coordinates”. Brain Topogr. Vol. 6,
gia da transformada Fourier em janelas (STFT) e pp. 231-235.
características no domínio temporal para serem clas- Duda, R. O; Hart, P. E e Stork, D. G (2000). Pattern
sificadas por um classificador Bayesiano. Classification, 2nd ed. United States: John Wiley
Por fim, o presente estudo justificou a subamos- & Sons Inc.
tragem do EEG para 64 Hz através da FAC; justifi- Jia, W; Zhao, X; Liu, H; Gao, X; Gao, S e Yang, F
cou a utilização do PSD em janelas de 5 segundos (2004). Classification of Single Trial EEG dur-
para a extração de características através da FACP e ing Motor Imagery based on ERD. Proceedings
do teste de aleatoriedade Runs Test; utilizou a diver- of the 26th Annual Internacional Conference of
gência simétrica de Kullback-Leibler para a seleção the IEEE Engineering in Medicine and Biology
dos eletrodos e componentes freqüênciais e um clas- Society, pp.5-8.
sificador Bayesiano. Kim, J. A; Hwang, D. U; Cho, S. Y e Han, S. K
Após a classificação utilizou-se o método pro- (2003). Single Trial Discrimination between
posto para reclassificação e a taxa de classificação Right and Left Hand Movement with EEGSig-
proposta para o sistema é de 64Hz. Portanto, o tempo nal. Proceedings of the 25th Annual Internacion-
máximo de processamento para cada janela de tempo al Conference of the IEEE Engineering in Medi-
é de 15,6 ms, no entanto, as simulações mostraram cine and Biology Society, pp.3321-3324.
que o tempo médio utilizado durante o processamen- Leon-Garcia, Alberto (1994). Probability and Ran-
to foi de 3,4 1,8 ms, o que garante a aplicabilidade dom Processes for Electrical Engineering, 2nd
da taxa de classificação proposta. ed. Reading, United States: Addison-Wesley.
Liu, B; Wang, M; Li, T e Liu, Z (2005). Identifica-
tion and Classification for finger movement
4 Conclusão based on EEG. Proceedings of the 27th Annual
Internacional Conference of the IEEE Engineer-
A aplicação dos métodos propostos resultou num ing in Medicine and Biology Society, pp.5408-
sistema capaz de reconhecer as três tarefas mentais, 5411.
obtendo resultados comparáveis aos resultados obti- Millán, J.del R (2004). On the Need for On-line
dos na literatura citada. Concluímos que o estudo da Learning in Brain-Computer Interfaces. Pro-
taxa de amostragem e tamanho das janelas de tempo ceedings of the International Joint Conference
resultou em parâmetros que podem ser utilizados on Neural Networks, Hungary, pp.2877-2882.
para a construção de uma ICC. Finalmente, concluí- Pfurtscheller, G. e Lopes da Silva, F. H (1999).
mos que a taxa de acerto do sistema, estabilidade de “Event-Related EEG/MEG Synchronization and
classificação e taxa de transferência de informação Desynchronization: Basic Principles”. Elsevier,
tornam possível sua aplicação para controle de dispo- Clinical Neurophysiology, Vol. 110, pp. 1842-
sitivos robóticos, como a cadeira de rodas robótica 1857.
que está sendo desenvolvida. Rossow, A. B; Salles, E. O. T. e Côco, K. F (2010).
Classificação Automática de Estágios do Sono
pela Análise do Sinal de EEG Através de Wave-
Referências Bibliográficas
let Packet. Anais do XVIII Congresso Brasileiro
de Automática, pp.3825-3832.
Aguirre, L. A. (1995). A Nonlinear Correlation Func-
tion for Selecting the Delay Time in Dynamical
Reconstructions. Physics Letters A. Vol. 203,
pp. 88-94.
Anderson, C. W; Knight, J. N; Kirby, J. M e Hund-
ley, D. G (2007). Classification of Time-