Modelo computacional baseado em interface cérebro-computador para extração de características e classificação de sinais EEG

Authors

  • Osmar Ferreira Gomes
  • Oberdan Rocha Pinheiro
  • Alex Álisson Bandeira Santos

DOI:

https://doi.org/10.55905/oelv22n2-174

Keywords:

análise de componentes independente, eletroencefalografia, interface cérebro-computador

Abstract

Epidemiologicamente, observa-se que o número de pessoas acometidas com doenças neurológicas tem crescido devido a diversos fatores oriundos da sociedade moderna. A ciência contemporânea incluindo: medicina neurológica, biomecânica, robótica, informática, física e engenharias vem progredindo expressivamente no desenvolvimento de conhecimento multidisciplinar. O principal foco tem sido trazer esses pacientes acometidos dessas enfermidades a um patamar superior de qualidade de vida. Isso significa maior cognição, mais liberdade e mais movimentos controlados e controláveis. Este artigo desenvolve um modelo matemático baseado em interface cérebro-computador que permite o desenvolvimento de novas tecnologias tomando como base sinais de eletroencefalogramas. Tal esforço teórico reflete a necessidade de se produzir cadeiras de rodas mais inteligentes, interfaces flexíveis [para se adaptar a distintos indivíduos]. Num extremo, tentando-se eliminar o ruído de sinais indesejados (artefatos), se terá a essência, o precioso teor dos sinais pensados que conseguem expressar a origem das variações cerebrais que podem movimentar uma cadeira, por exemplo. Ademais, a cadeira é incômoda, requer ajuda de outros e, precisa de alterações nas estruturas arquitetônicas, para se dizer o mínimo. O método utilizado para essa modelagem baseou-se em usar os sinais de eletroencefalogramas do banco de dados eegmmidb – EEG Motor Movement-Imagery Dataset, que está disponível. Tal amostra contém sinais de eletroencefalogramas de 105 indivíduos. Esses sinais foram utilizados para validação do modelo computacional proposto. Os resultados obtidos da simulação, mostraram que o modelo consegue explicar algo como 75% dos movimentos, quando os outros semelhantes alcançavam, no máximo 50%. Assim, este modelo-interface cérebro-computador ofereceu maior robustez revelando que os esforços feitos aqui foram proveitosos. Mais que isso, que outras tentativas podem ser feitas a partir das suposições inerentes ou das associações feitas na construção desse modelo.

References

O. R. Pinheiro, L. R. G. Alves and J. R. D. Souza, EEG Signal Classification: Motor Imagery for Driving an Intelligent Wheelchair, in IEEE Latin America Transactions, vol. 16, no. 1, pp. 254-259, Jan. 2018, doi: 10.1109/TLA.2018.8291481.

WHO. WHO global disability action plan 2014-2021. Better health for all people with disability. Switzerland: [s.n.], 2015. ISBN 978 92 4 1509619.

IBGE. pesquisa nacional de saúde: 2013: percepção do estado de saúde, estilos de vida e doenças crônicas : Brasil, grandes regiões e unidades da federação. Rio de Janeiro: [s.n.], 2014. ISBN 9788524043345.

RANGEL, Edja Solange Souza; BELASCO, Angélica Gonçalves Silva; DICCINI, Solange. Qualidade de vida de pacientes com acidente vascular cerebral em reabilitação. Acta Paulista de Enfermagem, scielo, v. 26, p.205 – 212, 2013. ISSN 0103-2100.

HYVARINEN, AAPO E OJA, Erkki. Análise de componentes independentes: um tutorial. Citeseer, 1999.

CARDOSO, Jean-Fran c c ois. High-order contrasts for independent component analysis. computação neural, v. 11, p. 157–192, 1999.

HAN, J.; KAMBER, M. Data Mining: Concepts and Techniques. USA: Morgan Kaufmann, 2006.

HALL, Mark et al. The weka data mining software: An update. SIGKDD Explor. Newsl., ACM, New York, NY, USA, v. 11, n. 1, p. 10–18, nov.2009. ISSN 1931-0145.

WITTEN, Ian H.; FRANK, Eibe; HALL, Mark A. Data mining: practical machine learning tools and techniques. USA: Morgan Kaufmann, 2011.

SCHALK, G. et al. Bci2000: a general-purpose brain-computer interface (bci) system. IEEE Transactions on Biomedical Engineering, v. 51,n. 6, p. 1034–1043, June 2004. ISSN 0018-9294.

GOLDBERGER ARY L E AMARAL, Luis AN e Glass Leon e Hausdorff Jeffrey M e Ivanov Plamen Ch e Mark Roger G e Mietus Joseph E e Moody George Be Peng Chung-Kang e Stanley H Eugene Physiobank, physiotoolkit, and physionet components of a new research resource for complex physiologic signals. Am Heart Assoc, v. 101, p.e215 – e220, 2000.

Published

2024-02-20

How to Cite

Gomes, O. F., Pinheiro, O. R., & Santos, A. Álisson B. (2024). Modelo computacional baseado em interface cérebro-computador para extração de características e classificação de sinais EEG. OBSERVATÓRIO DE LA ECONOMÍA LATINOAMERICANA, 22(2), e3354. https://doi.org/10.55905/oelv22n2-174

Issue

Section

Articles