Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/14464
metadata.dc.type: Dissertação
metadata.dc.rights: Acesso Aberto
Title: Modelos de predição linear para análise de sinais eletroencefalográficos (EEG) e de matrizes multieletrodo (MEA)
Other Titles: Linear-prediction models for electroencephalographic (EEG) and multielectrode-array (MEA) signal analysis
metadata.dc.creator: Ribeiro, Jaqueline Alves
metadata.dc.contributor.advisor1: Destro Filho, João Batista
metadata.dc.contributor.referee1: Lacerda, Elisângela de Paula Silveira
metadata.dc.contributor.referee2: Carrijo, Gilberto Arantes
metadata.dc.contributor.referee3: Ishihara, João Yoshiyuki
metadata.dc.contributor.referee4: Coutinho Filho, Ubirajara
metadata.dc.contributor.referee5: Pereira, Wilson Felipe
metadata.dc.description.resumo: Esta dissertação objetiva propor modelos de sinais neurofisiológicos, oriundos de matrizes multieletrodo (MEA), utilizadas para a aquisição da atividade neural espontânea a partir de células em cultura; bem como medidas neurológicas obtidas de eletroencefalografia (EEG). Os modelos são desenvolvidos no contexto aplicativo de MEAs utilizadas como neuroimplantes, com especial enfoque na detecção e prevenção de crises epilépticas a partir de sinais EEG ou de medidas mais invasivas, obtidas em nível celular. Sob este enfoque, as técnicas de processamento de sinais devem satisfazer um compromisso complicado, exigindo baixa complexidade computacional e operação em tempo real. Tais restrições levam à escolha da filtragem linear adaptativa, baseada em modelo auto-regressivo, e à teoria de estatísticas de ordem elevada (EOE) para, respectivamente, processar sinais não-estacionários e considerar a não-linearidade dos sistemas envolvidos. O filtro de predição linear funcionou adequadamente para ambos os sinais, sendo que para o caso da MEA, ele foi mais estável e preciso. Observou-se um menor tempo de convergência para sinais EEG relativamente aos sinais MEA, os quais, em sua maioria, podem ser considerados não-gaussianos e correlacionados, ocorrendo uma atividade periódica em eletrodos vizinhos. A atividade neural espontânea de pequenos grupos de neurônios pode ser considerada um ruído branco.
Abstract: This work establishes models of neurophysiological signals, which are composed of spontaneous activity measurements taken by means of multielectrode arrays (MEAs) applied on in vitro cell cultures; as well as of neurological signals based on electroencephalography. These models suppose that MEAs are employed as neuroprostheses applied for detection and forecast of epileptic seizures, based on EEG signals or on invasive measurements which are taken in a cellular level. From this point of view, the signal processing tools must fulfil a problematic trade-off involving low computational complexity and real-time operation. Such requirements lead to the choice of auto-regressive adaptive-linear filtering and high-order statistics (HOE) as the techniques to be used in order to cope with, respectively, non-stationary signals and nonlinear systems. Linear prediction of both signals is quite efficient, particularly in the case of MEA signals, for which the model is stable and accurate. On the other hand, the convergence times for EEG signals are lower then their respective counterparts for MEA signals, which may be considered mainly non-Gaussian and correlated. Cyclic activity was also observed for MEA signals associated with neighboring electrodes, whereas signals recorded from small groups of neurons present a white-noise behaviour.
Keywords: Predição linear
Estatística de ordem elevada
Eletroencefalografia
Matriz multieletrodo
Neuroimplante
Codificação neural
Linear prediction
High-order statistics
Electroencephalography
Multielectrode arrays
Neuroprostheses
Neural coding
Engenharia biomédica
Processamento de sinais
metadata.dc.subject.cnpq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
metadata.dc.language: por
metadata.dc.publisher.country: BR
Publisher: Universidade Federal de Uberlândia
metadata.dc.publisher.initials: UFU
metadata.dc.publisher.department: Engenharias
metadata.dc.publisher.program: Programa de Pós-graduação em Engenharia Elétrica
Citation: RIBEIRO, Jaqueline Alves. Linear-prediction models for electroencephalographic (EEG) and multielectrode-array (MEA) signal analysis. 2006. 185 f. Dissertação (Mestrado em Engenharias) - Universidade Federal de Uberlândia, Uberlândia, 2006.
URI: https://repositorio.ufu.br/handle/123456789/14464
Issue Date: 29-May-2006
Appears in Collections:DISSERTAÇÃO - Engenharia Elétrica

Files in This Item:
File Description SizeFormat 
JARibeiro1DISSPRT.pdf1.21 MBAdobe PDFView/Open
JARibeiro2DISSPRT.pdf1.52 MBAdobe PDFView/Open
JARibeiro3DISSPRT.pdf1.95 MBAdobe PDFView/Open
Anexo1.pdf1.72 MBAdobe PDFView/Open
Anexo2.pdf115.95 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.