Use este identificador para citar ou linkar para este item: http://hdl.handle.net/11422/7850
Tipo: Dissertação
Título: Conectividade cerebral como característica para classificar tarefas motoras de mesmo segmento corporal: Interação humano-robô
Autor(es)/Inventor(es): Silveira, Gustavo Fraga Millen da
Orientador: Sá, Antonio Mauricio Ferreira Leite Miranda de
Coorientador: Tierra-Criollo, Carlos Julio
Resumo: A classificação de atividade motora baseada no Eletroencefalograma (EEG) tem sido amplamente estudada para auxiliar em aplicações de interfaces cérebro-máquina (ICMs). Classificar atividades motoras provenientes de mesmo membro corporal tem se mostrado um desafio, devido à representação espacial dessas atividades em locais próximos no córtex motor. Medidas de conectividade cerebral, tais como a Função de Transferência Direcionada (DTF) e a Coerência Direcionada Parcial (PDC), têm sido propostas para estimar os padrões de fluxo de informação no córtex durante a execução de diferentes tarefas motoras. O objetivo deste trabalho é investigar a DTF e a PDC como características para classificar, utilizando Redes Neurais Artificais (ANN), a atividade motora de mesmo segmento de membro, bem como sua imaginação e observação. Os sinais de EEG de 12 indivíduos destros saudáveis foram coletados na tarefa de flexão e extensão de cotovelo seguindo um braço robótico como se fosse um espelho do seu próprio braço. A DTF e a PDC foram calculadas e comparadas estatisticamente em dois momentos: de um segundo antes da tarefa até seu início e do início da tarefa até dois segundos e meio depois. Foram encontradas diferenças significativas tanto para DTF quanto para PDC nos ritmos beta e gama do EEG. Finalmente, a DTF e PDC foram aplicadas separadamente como características em ANNs para classificar entre a imaginação, movimento e observação da flexão e extensão de cotovelo, e também a situação de repouso. O maior valor de acurácia encontrado utilizando a DTF foi de 90.6% no ritmo gama e utilizando a PDC foi de 97.0% no ritmo beta.
Resumo : Motor activity classification based on the Electroencephalogram (EEG) has been widely studied to assist brain-computer interfaces (BCIs). However, same limb motor activity classification still remains a challenge due to EEG close spatial representation on the motor cortex area in such case. Brain connectivity measurements, such as Directed Transfer Function (DTF) and Partial Directed Coherence (PDC), have been proposed to estimate information flow patterns in the cortex during different motor tasks. The objective of this paper is to evaluate both DTF and PDC as neuro network-based classification features for the same segment of limb motor activity (flexion and extension), and for both imagination and observation. EEG signals from 12 right-handed healthy subjects were recorded performing elbow flexion and extension following a robotic arm as if it were a mirror image of their own. The DTF and PDC were computed and statistically compared at two time instants: from 1 second before the task until the task and from the beginning of the task until 2.5 seconds later. Differences were found only in beta and gamma rhythms of EEG. Finally, both DTF and PDC were applied separately as features in ANN to classify between the imagination, movement and observation of elbow flexion and extension, and at rest. The highest accuracy using DTF was 90.6% achieved in the gamma rhythm and using PDC it was 97.0% in the beta rhythm.
Palavras-chave: EEG
Conectividade cerebral
Redes neurais
ICM
Interação humano-robô
Assunto CNPq: CNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA
Programa: Programa de Pós-Graduação em Engenharia Biomédica
Unidade produtora: Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Editor: Universidade Federal do Rio de Janeiro
Data de publicação: Jun-2017
País de publicação: Brasil
Idioma da publicação: por
Tipo de acesso: Acesso Aberto
Aparece nas coleções:Engenharia Biomédica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
877573.pdf1,96 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.