Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/29177
ORCID:  http://orcid.org/0000-0003-2060-2829
Document type: Dissertação
Access type: Acesso Aberto
Attribution-NonCommercial-NoDerivs 3.0 United States
Title: Detecção e classificação de potenciais evocados auditivos baseadas em filtros casados
Alternate title (s): Detection and classification of auditory evoked potentials based on matched filters
Author: Spirandeli, Amanda Franco
First Advisor: Soares, Alcimar Barbosa
First member of the Committee: Siqueira Júnior, Ailton Luiz Dias
Second member of the Committee: Lamounier Júnior, Edgard Afonso
Third member of the Committee: Oliveira, Sérgio Ricardo de Jesus
Summary: Interface cérebro máquina (ICM) é um sistema de comunicação direta entre cérebro e um dispositivo externo. Para classes especiais de sujeitos que sofrem, por exemplo, de síndrome do encarceramento, as ICMs exógenas baseadas em paradigmas oddball têm se destacado na literatura. Tais sistemas exploram os componentes N200, P300 de potenciais relacionados a eventos (PREs) como um meio de comunicação/controle da interface. No entanto, os modelos atuais para extração de características e classificação de sinais corticais para o controle de ICMs dependem de algoritmos complexos de aprendizado de máquina e com alto custo computacional, como redes neurais e máquina de vetores de suporte. Portanto, a taxa de comandos que podem ser decodificados por essas ICMs ainda está abaixo da desejada. Neste contexto, é altamente desejável o desenvolvimento de novos métodos de decodificação que possam melhorar o desempenho em tempo real de ICMs exógenas. Filtros casados têm sido utilizado há muito tempo como ferramenta de classificação, em tempo real, em sistemas de telecomunicação. O filtro casado é um sistema ótimo para detectar um sinal conhecido sob ruído gaussiano. De forma geral, é um sistema de fácil implementação, cuja saída maximiza a relação sinal ruído em dado instante de tempo, sem demandar altos custos computacionais. Neste trabalho, propõe-se um framework baseado em um banco de filtros casados, associado a um sistema de aquisição de sinais eletroencefalográficos (EEG), extração de características e detecção de picos, para classificação de informações neurais associadas à PREs. O sistema foi validado a partir de dados de eletroencefalografia obtidos de bancos de dados reais e sinais EEG sintéticos. Os resultados demonstram a viabilidade da técnica. Nos experimentos realizados, buscou-se a discriminação entre duas classes alvo para permitir a detecção de respostas ‘sim’ e ‘não’. A partir de dados simulados, o método obteve em média 90,27% de performance e 7,70 bit/min. A validação com dados EEG reais resultou em acurácia média de até 77,50%, com taxa de transferência de informações de até 3,19 bit/min. A validação do sistema demonstrou resultados satisfatórios, permitindo a decodificação de PREs com a dependência de poucas características do sinal, sem ajustes finos, abrindo caminho para uso de algoritmos de controle de ICMs em sistemas embarcados auxiliando indivíduos acometidos por síndrome do encarceramento.
Abstract: A Brain Machine Interface (BMI) is a direct communication system between the brain and an external device. For a special group of subjects suffering, for example, from locked in syndrome, exogenous BMIs based on oddball paradigms have been presented in the literature. Such systems exploit event-related potentials (ERPs) that are evoked by specific stimuli and make use of its components such as the N200 and P300 as input signals for communication / interface control. However, current models for feature extraction and classification of cortical signals for the control of BMIs depend on complex machine learning algorithms with high computational cost, such as neural networks and support vector machines. Therefore, the rate of commands that can be decoded by such BMIs is still below the desired. In this context, the development of novel decoding methods that can improve the real-time performance of exogenous BMIs is highly desired. Matched filters have long been used as a real-time sorting tool in telecommunication systems and is a valid approach for detecting a known signal under Gaussian noise. In general, it is an easy to implement system that maximizes the output signal-to-noise ratio at any given time without requiring high computational costs. In this work, a novel framework is proposed based on a matched filter bank, associated with an electroencephalographic signal acquisition (EEG) system, feature extraction and peak detection for classification of neural information associated with ERPs. The system was validated using both synthetic EEG signals and real EEG data obtained from BMI databases. The results demonstrate the viability of the proposed framework. In the experiments performed, we sought to discriminate between two target classes to allow the detection of ‘yes’ and ‘no’ answers. From simulated data the method obtained on average 90.27% of performance and 7.70 bit / min. Validation with real EEG data resulted in an average accuracy of up to 77.50%, with information transfer rate of up to 3.19 bit / min. The validation of the system demonstrated satisfactory results, allowing the decoding of PREs with the dependence of few signal characteristics, without fine adjustments, paving the way for the use of BMI control algorithms in embedded systems assisting individuals affected by the incarceration syndrome.
Keywords: Filtros casados
Matched Filters
Interface cérebro máquina
Brain Machine Interface
Potenciais relacionados à eventos
Event related potential
Eletroencefalografia
Electroencephalography
Area (s) of CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Language: por
Country: Brasil
Publisher: Universidade Federal de Uberlândia
Program: Programa de Pós-graduação em Engenharia Biomédica
Quote: SPIRANDELI, Amanda Franco. Detecção e classificação de potenciais evocados auditivos baseadas em filtros casados. 2020. 91 f. Dissertação (Mestrado em Engenharia Biomédica) - Universidade Federal de Uberlândia, Uberlândia, 2020. Disponível em: http://doi.org/10.14393/ufu.di.2020.272.
Document identifier: http://doi.org/10.14393/ufu.di.2020.272
URI: https://repositorio.ufu.br/handle/123456789/29177
Date of defense: 14-Jan-2020
Appears in Collections:DISSERTAÇÃO - Engenharia Biomédica

Files in This Item:
File Description SizeFormat 
DetecçãoClassificaçãoPotenciais.pdfDissertação2.72 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons