Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/14464
Full metadata record
DC FieldValueLanguage
dc.creatorRibeiro, Jaqueline Alves
dc.date.accessioned2016-06-22T18:38:42Z-
dc.date.available2006-07-18
dc.date.available2016-06-22T18:38:42Z-
dc.date.issued2006-05-29
dc.identifier.citationRIBEIRO, 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.por
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/14464-
dc.description.abstractThis 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.eng
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior
dc.formatapplication/pdfpor
dc.languageporpor
dc.publisherUniversidade Federal de Uberlândiapor
dc.rightsAcesso Abertopor
dc.subjectPredição linearpor
dc.subjectEstatística de ordem elevadapor
dc.subjectEletroencefalografiapor
dc.subjectMatriz multieletrodopor
dc.subjectNeuroimplantepor
dc.subjectCodificação neuralpor
dc.subjectLinear predictioneng
dc.subjectHigh-order statisticseng
dc.subjectElectroencephalographyeng
dc.subjectMultielectrode arrayseng
dc.subjectNeuroprostheseseng
dc.subjectNeural codingeng
dc.subjectEngenharia biomédicapor
dc.subjectProcessamento de sinaispor
dc.titleModelos de predição linear para análise de sinais eletroencefalográficos (EEG) e de matrizes multieletrodo (MEA)por
dc.title.alternativeLinear-prediction models for electroencephalographic (EEG) and multielectrode-array (MEA) signal analysiseng
dc.typeDissertaçãopor
dc.contributor.advisor1Destro Filho, João Batista
dc.contributor.advisor1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4799766Y6por
dc.contributor.referee1Lacerda, Elisângela de Paula Silveira
dc.contributor.referee1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4799942A6por
dc.contributor.referee2Carrijo, Gilberto Arantes
dc.contributor.referee2Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4781864Y0por
dc.contributor.referee3Ishihara, João Yoshiyuki
dc.contributor.referee3Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4728135D6por
dc.contributor.referee4Coutinho Filho, Ubirajara
dc.contributor.referee4Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4797915J2por
dc.contributor.referee5Pereira, Wilson Felipe
dc.contributor.referee5Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4785832P5por
dc.creator.Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4758077A6por
dc.description.degreenameMestre em Ciênciaspor
dc.description.resumoEsta 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.por
dc.publisher.countryBRpor
dc.publisher.programPrograma de Pós-graduação em Engenharia Elétricapor
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApor
dc.publisher.departmentEngenhariaspor
dc.publisher.initialsUFUpor
dc.orcid.putcode81755000-
Appears in Collections:DISSERTAÇÃO - Engenharia Elétrica

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


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