X SBAI – Simpósio Brasileiro de Automação Inteligente

18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil

CLASSIFICAÇÃO PSEUDO-ONLINE DE TAREFAS MENTAIS

PARA UMA INTERFACE CÉREBRO-COMPUTADOR

ALESSANDRO B. BENEVIDES, TEODIANO F. BASTOS, MÁRIO SARCINELLI FILHO.

Laboratório de Automação Inteligente, Departamento de Engenharia Elétrica,

Universidade Federal do Espírito Santo
Av. Fernando Ferrari, 514, Goiabeiras, Vitória, Espírito Santo, Brasil, 29075-910
E-mails: sandrobotti@gmail.com, teodiano@ele.ufes.br,
Mario.sarcinelli@ele.ufes.br

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.

Palavras-chave Interfaces cérebro-computador, divergência de Kullback-Leibler, densidade espectral de potência, mapa de

Sammon.

1 Introdução patologias mencionadas. Nesse caso, o usuário deve

realizar tarefas mentais pré-definidas para controlar o
dispositivo.
O grupo de Robótica de Reabilitação da Universida-
Nesse contexto, vários grupos de pesquisa têm
de Federal do Espírito Santo (UFES) investiga o
proposto diferentes métodos para o pré-
desenvolvimento de dispositivos para pessoas com
processamento do sinal de EEG, extração de caracte-
deficiências. Atualmente, uma cadeira de rodas robó-
rísticas e classificação dos padrões que identificarão
tica está sendo desenvolvida nestes requisitos.
a intenção do usuário. Sendo que grande parte realiza
As Interfaces Homem-Máquina (IHM) e Interfa-
o processamento de forma offline e se restringe às
ces Cérebro-Computador (ICC) possibilitam o manu- tarefas mentais de imaginação motora (Kim et al,
seio de dispositivos robóticos por pessoas com defi- 2003; Jia et al, 2004; Liu et al, 2005). Já que as tare-
ciências. As IHMs são utilizadas para adaptar siste-
fas mentais motoras estão amplamente estudadas e
mas robóticos a usuários com diferentes níveis de
apresentam características bem definidas, como o
deficiência, mas que ainda possuem algum movimen-
potencial anterior ao movimento (Bereitscha-
to voluntário, como os portadores de Distrofia Mus- ftspotential) e o padrão ERD/ERS (event-related
cular de Duchenne (DMD), Esclerose Lateral Amio- desynchronization / event-related synchronization)
trófica (ELA) e Ataxia Espinocerebelar (SCA) em
(Pfurtscheller & Lopes da Silva, 1999). Blankertz et
estágio inicial. Nesse caso, o sistema robótico pode
al. (2007) realiza classificação online de duas tarefas
utilizar sinais elétricos musculares (eletromiograma -
mentais motoras com feedback para o usuário e An-
EMG), como os sinais provenientes de piscadas de
derson et al. (2007) realiza classificação pseudo-
olhos ou movimento do globo ocular (eletroocula- online de três tarefas mentais, envolvendo uma tarefa
grama - EOG), como também pode utilizar imagens
não-motora.
de câmera para o reconhecimento da posição da
Para uma abordagem online, parâmetros como
cabeça ou olhos.
taxa de amostragem, tamanho das janelas de tempo e
Por outro lado, uma ICC utiliza a atividade elé-
nível de sobreposição devem ser determinados. As
trica cerebral, medida através do sinal eletroencefa-
ICCs estudadas utilizam valores empíricos para esses
lográfico (EEG), para adaptar um sistema robótico a
parâmetros, entretanto, nesse estudo é realizada a
pessoas que tenham perdido todo movimento volun-
análise com a Função de Autocorrelação (FAC) e
tário, mas preservaram a atividade cognitiva, como Função de Autocorrelação Parcial (FACP) para de-
grande parte dos pacientes em estágio avançado das

ISSN: 2175-8905 - Vol. X 199

 X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
terminá-los. Para a extração de características dos
sinais de EEG, é utilizada a Densidade Espectral de
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
Esta pesquisa utilizou o banco de dados fornecido
pelo instituto IDIAP/Suiça (Millán, 2004) para reali-
zar a classificação pseudo-online, que é uma simula-
ção da classificação em tempo-real.
O banco de dados possui gravações de EEG de
três indivíduos durante a realização de três tarefas
mentais, que são a imaginação repetitiva de movi-
mento da mão esquerda (Classe 1 - C1) ou direita
(Classe 2 - C2) e o pensamento de palavras que co-
mecem com uma mesma letra qualquer (Classe 3 -
C3). O propósito da utilização das tarefas mentais
sugeridas é testar a capacidade de generalização da
ICC proposta, que deve ser capaz de discernir entre
tarefas motoras cujas características estão no córtex
motor e a tarefa lingüística cujas características estão
na área de Broca e área de Wernicke.
Cada indivíduo realizou as tarefas por aproxi-
madamente 15 s e mudou aleatoriamente para outra
tarefa a pedido do operador e o EEG adquirido não
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-
cessados através da plataforma MATLAB® 7.6
(R2008b).
2.2 Pré-Processamento
A análise com a Função de Autocorrelação foi reali-
zada para determinar se o sinal está subamostrado ou
superamostrado. A ACF do sinal de EEG, R(τ), foi
calculada para os sinais de EEG de todos os eletrodos
e o período de amostragem, TS, foi escolhido através
da seguinte regra heurística (Aguirre, 1995)
m  valor inteiro de freqüência, resultando em 32 coefici-
 TS  m ,
20 10
em que τm = min(tR), com tR sendo o instante de tem-
po correspondente ao primeiro mínimo de R(τ). A
Figura 1 mostra a ACF calculada em nove eletrodos
(F7, Fz, F8, C3, Cz, C4, P7, Pz, P8). O primeiro
mínimo foi obtido no canal Cz para um atraso de
0,23 s (τm), de modo que 0,011 s ≤ TS ≤ 0,023 s, ou
44,524 Hz ≤ FS ≤ 89,2857 Hz. Como resultado, o
ISSN: 2175-8905 - Vol. X
sinal foi reamostrado para 64 Hz, que corresponde a
uma decimação de terceira ordem.
Fig. 1. Função de autpocorrelação dos eletrodos: C3, Cz, C4, F7,
Fz, F8, P7, Pz and P8.
A simulação de tempo-real utilizou janelas de
tempo contendo um número fixo de amostras, dado
pela análise da Função de Autocorrelação Parcial. As
janelas são continuamente deslocadas por uma amos-
tra, mantendo a taxa de amostragem original do sinal.
O tamanho das janelas deve ser grande o suficiente
para conter a influência de uma amostra nas amostras
seguintes e caracterizar um padrão que possa ser
reconhecido. Os coeficientes da FACP de todos os
eletrodos foram calculados para janelas de 10 s com
75% de sobreposição. A figura 2 mostra a curva
média obtida de todas as janelas e canais calculados.
O último coeficiente fora do intervalo de confiança
de Bartlett é a estimativa do tamanho das janelas de
tempo, sendo obtido um tamanho de 5 s para os indi-
víduos 1 e 3 e 5,4 s para o indivíduo 2. Portanto,
foram utilizadas janelas de tempo com duração de 5 s
para todos os indivíduos.
Fig. 2. Função de autocorrelação parcial dos três indivíduos.
2.3 Extração de Características
Para cada janela de tempo é calculada a Densidade
Espectral de Potência (PSD), que descreve como a
potência do sinal está distribuída em relação à fre-
qüência (Leon-Garcia, 1994). O PSD é a transforma-
da de Fourier da ACF do sinal, se o mesmo for ao
menos considerado estacionário no sentido amplo
(WSS). Como o sinal de EEG foi subamostrado para
64 Hz, a freqüência máxima será 32 Hz e o PSD foi
designado para retornar um coeficiente para cada
(1)
entes, descartando a componente DC.
Para comparar a separação de classes proporcio-
nada pelo PSD em detrimento do sinal de EEG no
domínio do tempo, os dados foram agrupados com o
algoritmo k-means, obtendo 20 centróides por classe
e visualizados com o mapa de Sammon (Sammon,
1969). O mapa de Sammon é utilizado para propor-
cionar uma representação de baixa dimensionalidade
do espaço de características, já que cada amostra
200
 X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
possui 32 dimensões, que são as componentes do
PSD. A figura 3 (a) mostra o espaço de característi-
cas do sinal de EEG no domínio do tempo do indiví-
duo 1. A figura 3 (b) mostra o espaço de característi-
cas do PSD do sinal de EEG do indivíduo 1 e a figu-
ra 3 (c) mostra o espaço de características utilizando
algumas componentes selecionadas do PSD (ver
seção 2.5 - ξ = 50%). As figuras mostram uma pro-
gressiva melhora na separação das classes, o que
influenciará o desempenho do classificador.
Fig. 3. (a) Mapa de Sammon do EEG; (b) Mapa de Sammon do
PSD; (c) Mapa de Sammon do PSD (ξ=50%).
2.4 Teste de Aleatoriedade
O PSD e o classificador LDA requerem que o sinal
seja ao menos estacionário no sentido amplo, dessa
forma, o teste de aleatoriedade Runs Test foi realiza-
do para determinar a aleatoriedade do sinal de EEG
para tamanhos variados de janelas de tempo. A figura
4 mostra a média do z-score calculado para janelas
de tempo com duração de 0,1 s a 10 s. O z-score é
índice de aleatoriedade resultado da aplicação do
Runs Test, e este parâmetro foi comparado com o z-
score da distribuição normal padrão a um nível de
significância de 5%, cujo valor é 1,96. Se o módulo
do z-score for maior que 1,96 o sinal pode ser consi-
derado não-aleatório.
A figura 4 mostra que o EEG nunca é considera-
do completamente aleatório, já que o z-score é sem-
pre maior que 1,96. No entanto, a área sombreada
destaca o z-score mínimo que corresponde a um
maior grau de aleatoriedade. Para os indivíduos 1 e 3
o EEG têm maior probabilidade de ser estacionário
em janelas de tempo menores que 0,6 s e 0,3 s, res-
pectivamente, ou maiores que 4 s. Para o indivíduo 2
o EEG têm maior probabilidade de ser estacionário
em janelas de tempo maiores que 4,6 s. Como a aná-
lise com a FACP indicou janelas de tempo de 5 s
pode-se assumir que o EEG utilizado não é aleatório.
Fig. 4. Curva do z-score do sinal de EEG dos três indivíduos,
calculado para distintos tamanhos de janelas de tempo.
ISSN: 2175-8905 - Vol. X
2.5 Seleção de Caracterísitcas
O objetivo do processo de seleção é maximizar a
distinção entre as classes (tarefas mentais), facilitan-
do o processo de classificação. As características
utilizadas no classificador são os coeficientes do PSD
do EEG calculados para cada janela de tempo.
Os histogramas de cada componente do PSD de
cada um dos 32 canais são calculados, resultando em
32x32 histogramas para cada classe. Então, uma
medida de discriminação entre as classes, D, foi
utilizada para comparar as diferenças entre os histo-
gramas de cada classe, para a mesma freqüência e
canal. A figura 5 mostra a matriz canal x freqüência
(32x32) em que cada célula possui o valor do discri-
minante, Di,j, calculado a partir dos histogramas de
cada classe (C1, C2 e C3).
Fig. 5. Matriz canal x freqüência.
A divergência simétrica de Kullback-Leibler foi
escolhida para medir a discriminação, D, entre as
classes, sendo definida por
n  max  H1  i  ,    ,
KL  C1 , C2    H1  i  log  
(2)
 max  H 2  i  ,   
i 1  
em que H1 e H2 são os histogramas de duas classes
distintas, C1 e C2, com n amostras e δ é um pequeno
valor, selecionado como δ = 0,001, utilizado para
prevenir o logaritmo de zero ou a divisão por zero
(Rossow et al, 2010). A versão simétrica da diver-
gência K-L é dada por
S  C1 , C2   KL  C1 , C2   KL  C2 , C1  , (3)
O discriminante Di,j de cada canal i e freqüência j
é dado por
Di , j  Si , j  C1 , C2   Si , j  C1 , C3   Si , j C2 , C3  . (4)
A figura 6 mostra a matriz discriminante D calcu-
lada para o indivíduo 2, em que os valores do discri-
minante estão representados na escala de cinza. Os
maiores valores de discriminação foram obtidos para
as tuplas (CP1, em 12 e 22 Hz) e (C4, em 12 e 21
Hz), o que está em conformidade com o conhecimen-
to prévio de que as tarefas mentais motoras afetam as
bandas de freqüência μ e β sobre o córtex motor
contralateral à intenção de movimento. As tuplas (F3,
em 32 Hz) e (Fz, em 28 Hz) também obtiveram valo-
res altos de discriminação, o que acreditamos estar
relacionado à tarefa mental de associação de pala-
201
 X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
vras, que ocorre na área de Broca no hemisfério
cerebral esquerdo.
Todas as características que possuem valores de
discriminação acima do percentual estipulado, ξ, do
máximo valor obtido na matriz serão selecionadas. A
figura 7 mostra as características selecionadas da
matriz do indivíduo 2 utilizando ξ = 50%.
Fig. 6. Matriz discriminante D do indivíduo 2.
Fig. 7. Características selecionadas utilizando ξ=50%.
2.6 Classificador
O classificador Bayesiano utiliza uma abordagem
estatística baseada na regra de Bayes em que as dis-
tribuições das classes são modeladas por distribui-
ções normais (Duda et al, 2000).
A classe de cada amostra é atribuída à classe que
obteve maior probabilidade, dada pela função dis-
criminante linear. A função discriminante linear é
calculada com a matriz de covariância média de
todas as classes. A parcela de 66,67% dos dados foi
utilizada para a estimação das médias e matrizes de
covariâncias de cada classe. A parcela de 33,33% dos
dados foi utilizada para validação do classificador,
em que todas as classes foram consideradas equipro-
váveis.
2.7 Método de Reclassificação
A figura 8 mostra a saída do classificador, que repre-
senta a resposta da interface cérebro-computador. A
melhor configuração para o indivíduo 1 foi obtida
utilizando ξ = 50%, que proporcionou uma taxa de
ISSN: 2175-8905 - Vol. X
acerto de 83.77±1.27%. Para o indivíduo 2 a melhor
configuração ocorreu utilizando ξ = 50%, que pro-
porcionou uma taxa de acerto de 65.75±1.52%. Para
o indivíduo 3 a melhor configuração foi obtida para ξ
= 0%, que proporcionou uma taxa de acerto de
55.53±1.59%.
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.
Fig. 8. Saída do classificador.
Pode-se notar na figura 8 que a classe predita
oscila em uma velocidade maior do que o usuário
poderia mudar de tarefa, o que representa uma insta-
bilidade do classificador. Portanto, foi desenvolvido
um método para suavizar a resposta de saída do clas-
sificador. Após a classificação da tarefa mental, em
cada instante de tempo será composto um novo vetor
de classificação, que armazena as classificações
anteriores durante um período de tempo estipulado,
chamado de janela de reclassificação.
Da mesma forma que as janelas de tempo, a ja-
nela de reclassificação é continuamente deslocada
por uma amostra, não alterando a taxa de classifica-
ção original do sistema. A reclassificação poderia ser
feita utilizando a classe de maior ocorrência na janela
de reclassificação, mas isso acarretaria um atraso
durante as transições de tarefas mentais, visto que a
nova classe deveria ocorrer mais vezes que a classe
antiga na janela de reclassificação para que o classi-
ficador registrasse uma mudança de classe. Para
minimizar o efeito do atraso, a saída do classificador
será a classe que obteve maior peso na janela de
reclassificação, sendo que o peso da classe está rela-
cionado ao tamanho dos subgrupos em que essa
classe ocorre na janela de reclassificação (Figura 9).
O peso é dado pelo inverso da probabilidade de
ocorrência repetida de uma classe. Dessa forma,
mesmo que duas classes possuam o mesmo número
de ocorrências dentro da janela de reclassificação, a
classe que ocorrer repetidas vezes terá maior proba-
202
 X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil

TABELA II

Precisão Sensibilidade Especificidade

Ind. 1 Ind. 2 Ind. 3 Ind. 1 Ind. 2 Ind. 3 Ind. 1 Ind. 2 Ind. 3
C1 0.85 0.54 0.80 1 0.79 0.79 0.95 0.87 0.90
C2 0.98 0.80 0.80 0.97 0.73 0.79 0.99 0.86 0.91
C3 0.99 0.93 0.83 0.91 0.85 0.86 0.99 0.95 0.91

bilidade de ser a classe atual do que uma classe com

o mesmo número de ocorrências, mas que tenha
ocorrido aleatoriamente. Então, para três classes
equiprováveis uma classificação que pertence a um
subgrupo de tamanho n terá probabilidade P(s) =
(1/3)n, e o peso atribuído a essa classificação será
W(s) = (3)n.
A figura 9 mostra um exemplo em que a janela
de reclassificação é composta por 9 classificações
anteriores. Nessa janela cada classe possui o mesmo
número de ocorrências e o método simples de reclas-
sificação utilizando a classe de maior ocorrência na
janela falharia.
Fig. 11. Reclassificação.
TABELA I
Acerto ξ λ B[bits/min]
Ind. 1 94.93±0.71% 50% 2.5s 29.88
Ind. 2 78.89±1.31% 50% 1.88s 20.12
Ind. 3 81.31±1.25% 0% 5s 8.44

Então, nossos resultados foram comparados com

os melhores resultados submetidos ao BCI Competi-
Fig. 9. Reclassificação do sinal.
tion III, que utilizou o mesmo banco de dados forne-
cido pelo instituto IDIAP (Millán, 2004), como mos-
3 Resultados e Discussão tra a tabela 3 (Anderson et al, 2007).
TABELA IIII
O tamanho das janelas de reclassificação, λ, foi Ind.1 Ind.2 Ind.3 Média
variado entre 1 a 320 classificações passadas. O 94.93 78.89 81.31 85.04
Autores
percentual ξ foi variado até 90% para encontrar o C. Anderson 62.3 57.6 47.5 55.8
melhor parâmetro de cada indivíduo. A figura 10 S. Sun 74. 3 62.3 52.0 62.8
mostra as curvas obtidas para cada indivíduo, em que A. Schlögl 69.0 57.1 32.3 52.7
o círculo indica os melhores valores de ξ. A figura 11 E. Arbabi 55.4 51.8 43.6 50.2
A. Salehi 26.5 32.8 24.5 28.0
mostra a saída do sistema após a etapa de reclassifi-
cação, utilizando o conjunto de valores (ξ, λ) que
obteve melhor resultado. Nessa figura pode ser veri- Para uma correta comparação algumas conside-
ficada uma significativa melhora na estabilidade da rações devem ser feitas. As classificações realizadas
resposta do sistema. A tabela 1 contêm os valores de nos trabalhos mostrados na tabela 3 utilizaram o
taxa de acerto e os parâmetros (ξ, λ) de cada indiví- método de reclassificação simples, tomando a classe
duo,e na última coluna, B é a taxa de transferência de de maior ocorrência em janelas de reclassificação de
informação, calculada em [bits/min]. 0,5 segundos. Esse método apresenta grande probabi-
lidade de ocorrência de atraso durante a classifica-
A Tabela 2 apresenta as medidas estatísticas de
ção. Os resultados obtidos nesta pesquisa foram em
precisão, sensibilidade e especificidade da melhor
média 23% melhores que os demais, porém, foram
configuração do sistema para cada classe de cada
utilizadas janelas de reclassificação com até 5 segun-
indivíduo.
dos. Mas, o método de reclassificação proposto na
seção 2.7 apresenta menor probabilidade de ocasio-
nar atrasos, o que em parte justifica o uso de janelas
de reclassificação maiores.
As diferentes técnicas de classificação utilizadas
por cada grupo também devem ser consideradas.
Anderson et al. utilizou Short-time Principal Com-
ponent Analysis (STPCA) para extração de caracte-
rísticas e a Análise por Discriminante Linear (LDA)
Fig. 10. Taxa de acerto do sistema para diferentes valores de ξ.

ISSN: 2175-8905 - Vol. X 203

 X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
para a classificação. Sun et al. utilizou remoção offli-
ne de artefatos, e o sinal de EEG foi filtrado entre 8-
13 Hz para o indivíduo 1 e 2 e entre 11-15 Hz para o
indivíduo 3. Uma abordagem multi-classes da técnica
Common Spatial Patters (CSP) foi utilizada para
seleção dos eletrodos e o classificador support vector
machines (SVM) foi utilizado. Schlögl et al. suba-
mostrou o EEG para 128 Hz, formou canais bipolares
e estimou modelos autoregressivos para cada canal,
considerando a energia das bandas α e β. Então, a
característica com maior discriminação foi selecio-
nada para uma classificação estatística. Arabi et al.
subamostrou o EEG para 128 Hz e o filtrou entre 0.5-
45 Hz, características baseadas em medidas estatísti-
cas e modelos paramétricos de janelas de 1 segundo
foram extraídas e classificadas por um classificador
Bayesiano. Salehi utilizou uma combinação da ener-
gia da transformada Fourier em janelas (STFT) e
características no domínio temporal para serem clas-
sificadas por um classificador Bayesiano.
Por fim, o presente estudo justificou a subamos-
tragem do EEG para 64 Hz através da FAC; justifi-
cou a utilização do PSD em janelas de 5 segundos
para a extração de características através da FACP e
do teste de aleatoriedade Runs Test; utilizou a diver-
gência simétrica de Kullback-Leibler para a seleção
dos eletrodos e componentes freqüênciais e um clas-
sificador Bayesiano.
Após a classificação utilizou-se o método pro-
posto para reclassificação e a taxa de classificação
proposta para o sistema é de 64Hz. Portanto, o tempo
máximo de processamento para cada janela de tempo
é de 15,6 ms, no entanto, as simulações mostraram
que o tempo médio utilizado durante o processamen-
to foi de 3,4 1,8 ms, o que garante a aplicabilidade
da taxa de classificação proposta.
4 Conclusão
A aplicação dos métodos propostos resultou num
sistema capaz de reconhecer as três tarefas mentais,
obtendo resultados comparáveis aos resultados obti-
dos na literatura citada. Concluímos que o estudo da
taxa de amostragem e tamanho das janelas de tempo
resultou em parâmetros que podem ser utilizados
para a construção de uma ICC. Finalmente, concluí-
mos que a taxa de acerto do sistema, estabilidade de
classificação e taxa de transferência de informação
tornam possível sua aplicação para controle de dispo-
sitivos robóticos, como a cadeira de rodas robótica
que está sendo desenvolvida.
Referências Bibliográficas
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-
ISSN: 2175-8905 - Vol. X
Embedded EEG using short-time principal com-
ponent analysis. Em: Dornhege, G; Millán, J. M;
Hinterberger, T; McFarland, D. J e Müller, K. R.
Toward Brain-Computer Interfacing. Cam-
bridge: The MIT Press, pp.261-278.
Blankertz, B; Dornhege G; Lemm S; Krauledat, M;
Curio, G e Müller, K. R (2007). “The Berlim
Brain-Computer Interface: Machine Learning
Based Detection of User Specific Brain States”.
In: Dornhege, G; Millán, J. M; Hinterberger, T;
McFarland, D. J e Müller, K. R. Toward Brain-
Computer Interfacing. Cambridge: The MIT
Press, pp.85-102.
Böcker, K. B. E., Avermaete, van, J. A. G. and Ber-
glenssen, van den, M. M. C (1994). “The Inter-
national 10-20 System Revised: Cartesian ans
Spherical Coordinates”. Brain Topogr. Vol. 6,
pp. 231-235.
Duda, R. O; Hart, P. E e Stork, D. G (2000). Pattern
Classification, 2nd ed. United States: John Wiley
& Sons Inc.
Jia, W; Zhao, X; Liu, H; Gao, X; Gao, S e Yang, F
(2004). Classification of Single Trial EEG dur-
ing Motor Imagery based on ERD. Proceedings
of the 26th Annual Internacional Conference of
the IEEE Engineering in Medicine and Biology
Society, pp.5-8.
Kim, J. A; Hwang, D. U; Cho, S. Y e Han, S. K
(2003). Single Trial Discrimination between
Right and Left Hand Movement with EEGSig-
nal. Proceedings of the 25th Annual Internacion-
al Conference of the IEEE Engineering in Medi-
cine and Biology Society, pp.3321-3324.
Leon-Garcia, Alberto (1994). Probability and Ran-
dom Processes for Electrical Engineering, 2nd
ed. Reading, United States: Addison-Wesley.
Liu, B; Wang, M; Li, T e Liu, Z (2005). Identifica-
tion and Classification for finger movement
based on EEG. Proceedings of the 27th Annual
Internacional Conference of the IEEE Engineer-
ing in Medicine and Biology Society, pp.5408-
5411.
Millán, J.del R (2004). On the Need for On-line
Learning in Brain-Computer Interfaces. Pro-
ceedings of the International Joint Conference
on Neural Networks, Hungary, pp.2877-2882.
Pfurtscheller, G. e Lopes da Silva, F. H (1999).
“Event-Related EEG/MEG Synchronization and
Desynchronization: Basic Principles”. Elsevier,
Clinical Neurophysiology, Vol. 110, pp. 1842-
1857.
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-
let Packet. Anais do XVIII Congresso Brasileiro
de Automática, pp.3825-3832.
204