Fase de seleção de características

Seguindo as etapas desta fase, a primeira tarefa foi filtrar cada época usando os 10 filtros passa-banda no banco de filtros. Após a filtragem, a segunda tarefa foi extrair as características CSP. A Figura 18 ilustra as características CSP extraídas para a pessoa 4 em cada banda de frequências.

Na terceira etapa, usando nosso método de seleção de bandas, foi determinado o numero ótimo de bandas de frequência para cada pessoa. A Tabela 1 mostra que, segundo os resultados da validação cruzada 10 × 10−fold, duas bandas de frequências são suficientes para obter bons resultados na classificação. Como já foi mencionado, ao encontrar o número ótimo de características CSP, também estamos encontrando o número ótimo de bandas de frequências necessárias. Assim, o algoritmo de nosso método selecionador começa procurando a característica CSP mais significativa usando o método SFFS. Depois de encontrá-la, começa a procurar as 2 características mais significativas e compara os resultadas da validação cruzada usando 1 e 2 características CSP. Já que existe uma melhora significativa nos resultados, com um valor p= 0.015, nosso algoritmo procura as 3 características mais significativas. Os resultados da validação cruzada usando 3 características CSP não mostram uma melhora significativa em

60 Capítulo 4. Método de seleção proposto

Figura 18 – Características CSP extraídas de todas as épocas da sessões para treinamento da pessoa 4, filtradas em 10 diferentes bandas de frequências.

Fonte: Elaborada pelo autor.

comparação aos resultados de usar 2 características CSP, com um valor p = 0.083. Com este resultado, nosso algoritmo pára a busca e começa a executar a busca exaustiva restrita a procurar a melhor combinação de 2 características CSP. Na Tabela 1 são apresentados resultados de usar até 5 características CSP selecionadas, apenas para mostrar que também não houve melhora significativa nos resultados.

Tabela 1 – Acurácia estimada por uma validação cruzada de 10 × 10−fold e características CSP de 1 a 5 bandas de frequências selecionadas usando o método SFFS.

Acurácia (%)

Sujeito 1 banda 2 bandas 3 bandas 4 bandas 5 bandas 1 79.68 82.29 82.57 82.04 82.11 2 58.80 61.62 63.15 64.47 64.15 3 60.25 60.72 63.25 64.10 63.58 4 99.69 100.0 100.0 100.0 100.0 5 83.75 88.63 89.31 90.94 90.75 6 79.44 83.75 84.12 84.81 84.69 7 89.81 90.44 90.81 91.06 92.81 8 90.19 90.94 91.00 90.75 90.69 9 85.06 85.19 84.75 85.81 85.69 Média 80.74 82.62 83.22 83.78 83.83

4.4. Avaliação experimental 61

Uma vez determinado o número ótimo de bandas de frequência, o próximo passo é usar a busca exaustiva restrita para encontrar a melhor combinação de duas bandas de frequência para cada pessoa. Os resultados desta busca são mostrados na Tabela 2. Como podemos ver, houve uma melhora nos resultados da validação cruzada usando estas bandas de frequência.

Tabela 2 – Bandas de frequência selecionadas usando uma busca exaustiva restrita.

Sujeito Bandas de frequência selecionadas (Hz) Acurácia (%)

1 10 - 14, 20 - 24 82.29 2 10 - 14, 20 - 24 61.62 3 8 - 12, 18 - 22 61.72 4 8 - 12, 10 - 14 100.0 5 22 - 26, 26 - 30 88.63 6 10 - 14, 12 - 16 83.75 7 12 - 16, 18 - 22 91.50 8 8 - 12, 10 - 14 90.94 9 18 - 22, 22 - 26 85.19 Média 82.85

4.4.2

Fase de classificação

Na Tabela 3 são apresentados os máximos valores kappa obtidas ao longo do tempo de execução dos ensaios das sessões de avaliação para cada sujeito. As máximas acurácias obtidas também são apresentadas na Tabela 4. Os resultados são comparados as abordagens aFBCSP (ANG et al., 2011), FBCSP (ANG et al., 2012), HCRF (SAA; ÇETIN, 2011), UB Eval (RAZA et al., 2016) e EMD (GAUR et al., 2015), que também foram avaliadas no conjunto de dados 2b da BCI Competition IV, mostrando que, em média, o nosso método é melhor. Além disso, nosso método usa apenas duas bandas de frequência para a classificação das épocas.

Para o método EMD, apresentamos a média das acurácias da classificação dos ensaios nas sessões de avaliação, já que foram apresentadas separadamente para cada sessão (GAUR et al., 2015), com o objetivo de poder comparar os resultados.

62 Capítulo 4. Método de seleção proposto

Tabela 3 – Resultados da classificação das épocas extraídas das sessões de avaliação usando o coeficiente Kappa como métrica.

Valores Kappa

Sujeito aFBCSP FBCSP HCRF Método proposto 1 0.406 0.400 0.560 0.462 2 0.179 0.207 0.240 0.343 3 0.150 0.219 0.180 0.263 4 0.963 0.950 0.950 0.956 5 0.863 0.856 0.930 0.856 6 0.606 0.613 0.720 0.656 7 0.575 0.550 0.510 0.631 8 0.856 0.850 0.800 0.863 9 0.738 0.744 0.710 0.756 Média 0.593 0.599 0.622 0.643

Tabela 4 – Resultados da classificação das épocas extraídas das sessões de avaliação usando a acurácia como métrica.

Acurácia (%)

Sujeito UB Eval EMD Método proposto 1 70.31 62.80 73.13 2 61.25 67.05 67.14 3 59.69 98.70 63.13 4 97.19 88.40 97.81 5 90.94 96.25 92.81 6 85.63 75.25 82.81 7 78.44 72.15 81.56 8 88.75 87.80 93.13 9 78.44 85.25 87.81 Média 78.96 81.52 82.15

63

CAPÍTULO

5

CONCLUSÃO

A grande e importante quantidade de aplicações dos EEGs, tais como o monitoramento dos processos mentais e doenças neurológicas, justifica a necessidade de métodos mais precisos para analisar esse tipo de dados e identificar as características e padrões presentes. Pesquisas e avanços nesses métodos podem ajudar a entender o funcionamento do cérebro e os processos que acontecem nele.

A imagética motora é um processo mental com aplicação direta nos sistemas BCI. Os sistemas BCI baseados em imagética motora têm aplicações tais como a restauração motora mediante neuróproteses em pessoas com algum problema motor ou nos jogos eletrônicos. Nestas aplicações é necessário identificar e classificar a tarefa de imagética motora realizada pela pessoa para depois traduzir essa tarefa em um comando. Porém, há evidencia na literatura que demostra que imagética motora produz modulações nos sinais de EEG em frequências específicas para cada pessoa, o que faz da identificação destes padrões uma tarefa complicada.

Nesse cenário, o método de seleção de bandas de frequências apresentado neste trabalho é de interesse para a classificação de sinais de EEG de imagética motora. O método consiste em aplicar o método Sequential Forward Floating Selection para encontrar o número ótimo de bandas de frequências necessárias para classificar as tarefas de IM, e uma busca exaustiva restrita a procurar a melhor combinação desse número ótimo de bandas de frequências de todas as disponíveis em um banco de filtros passa-banda. Além do método proposto para seleção de bandas de frequência, foi apresentada uma nova configuração para o método FBCSP.

Nosso método de seleção de bandas de frequências inserido na nova configuração proposta para o método FBCSP deu como resultado um novo método classificador de EEGs de imagética, o qual foi avaliado usando um conjunto de dados disponível publicamente. Nessa avaliação, foi demonstrado que nosso método é mais preciso do que os métodos avaliadas no mesmo conjunto de dados. Particularmente, temos mostrado que o nosso método obteve melhores resultados usando apenas duas bandas de frequência de dez disponíveis. Assim, o problema

64 Capítulo 5. Conclusão

descrito na Introdução deste trabalho foi resolvido como demonstrado no Capítulo Capítulo 4, o que permitiu validar a hipótese do trabalho.

O código fonte da implementação dos métodos propostos neste trabalho, assim como também dos testes realizados, foi disponibilizado em um repositório público de GitHub, para permitir que outras pessoas possam usar, confirmar e ampliar nosso trabalho.

5.1

Trabalhos futuros

Durante o desenvolvimento deste trabalho foram identificadas diversas questões interes- santes que podem contribuir no seguimento deste trabalho. Algumas dessas questões são:

∙ Estender nosso método para que, além de selecionar bandas de frequência, selecione os canais de EEG mais relevantes para classificar tarefas de imagética motora em um EEG com grande quantidade de canais.

∙ Usar um ensemble de métodos classificadores como função critério de seleção de caracte- rísticas e como classificador para melhorar a acurácia na classificação.

65

REFERÊNCIAS

ANG, K. K.; CHIN, Z. Y.; WANG, C.; GUAN, C.; ZHANG, H. Filter Bank Common Spatial Pattern Algorithm on BCI Competition IV Datasets 2a and 2b. Frontiers in neuroscience, v. 6, p. 39, jan 2012. ISSN 1662-453X. Citado nas páginas 26, 40, 59 e 61.

ANG, K. K.; CHIN, Z. Y.; ZHANG, H.; GUAN, C. Filter Bank Common Spatial Pat- tern (FBCSP) in Brain-Computer Interface. In: International Joint Conference on Neural Networks (IJCNN). [S.l.]: IEEE, 2008. p. 2390–2397. ISBN 978-1-4244-1820-6. ISSN 1098- 7576. Citado nas páginas 40, 43, 53 e 54.

ANG, K. K.; CHIN, Z. Y.; ZHANG, H.; GUAN, C. Filter Bank Common Spatial Pattern (FBCSP) algorithm using online adaptive and semi-supervised learning. In: The 2011 International Joint Conference on Neural Networks. [S.l.]: IEEE, 2011. p. 392–396. ISBN 978-1-4244-9635-8. ISSN 2161-4393. Citado na página 61.

ASANAGI. Electrode locations of International 10-20 system for EEG (electroencephalo- graphy) recording. 2010. Wikimedia Commons. Disponível em: <https://commons.wikimedia. org/wiki/File:21_electrodes_of_International_10-20_system_for_EEG.svg>. Citado na página 32.

AZEVEDO, F. A. C.; CARVALHO, L. R. B.; GRINBERG, L. T.; FARFEL, J. M.; FERRETTI, R. E. L.; LEITE, R. E. P.; FILHO, W. J.; LENT, R.; HERCULANO-HOUZEL, S. Equal numbers of neuronal and nonneuronal cells make the human brain an isometrically scaled-up primate brain. Journal of Comparative Neurology, v. 513, n. 5, p. 532–541, 2009. ISSN 00219967. Citado na página 31.

BABILONI, F.; CINCOTTI, F.; LAZZARINI, L.; MILLÁN, J.; MOURIÑO, J.; VARSTA, M.; HEIKKONEN, J.; BIANCHI, L.; MARCIANI, M. G. Linear classification of low-resolution EEG patterns produced by imagined hand movements. IEEE Transactions on Rehabilitation Engineering, v. 8, n. 2, p. 186–188, 2000. ISSN 10636528. Citado na página 40.

BAI, X.; WANG, X.; ZHENG, S.; YU, M. The offline feature extraction of four-class motor imagery EEG based on ICA and Wavelet-CSP. In: Proceedings of the 33rd Chinese Control Conference. IEEE, 2014. p. 7189–7194. ISBN 978-9-8815-6387-3. Disponível em: <http: //ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=6896188>. Citado na página 40. BAILLET, S.; MOSHER, J.; LEAHY, R. Electromagnetic brain mapping. IEEE Signal Processing Magazine, v. 18, n. 6, p. 14–30, 2001. ISSN 10535888. Disponível em: <http: //ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=962275>. Citado na página 31. BENNETT, K. P.; CAMPBELL, C. Support vector machines: hype or hallelujah? ACM SIGKDD Explorations Newsletter, v. 2, n. 2, p. 1–13, 2000. ISSN 19310145. Disponível em: <http://portal.acm.org/citation.cfm?doid=380995.380999>. Citado na página 44.

BIRBAUMER, N.; COHEN, L. G. Brain-computer interfaces: communication and restoration of movement in paralysis. The Journal of Physiology, Blackwell Publishing Ltd, v. 579, n. 3, p. 621–636, mar 2007. Citado na página 25.

66 Referências

BLANCHARD, G.; BLANKERTZ, B. BCI competition 2003 - Data set IIa: Spatial patterns of self-controlled brain rhythm modulations. IEEE Transactions on Biomedical Engineering, v. 51, n. 6, p. 1062–1066, 2004. ISSN 00189294. Citado nas páginas 40 e 41.

BLANKERTZ, B.; TOMIOKA, R.; LEMM, S.; KAWANABE, M.; MÜLLER, K.-R. Optimizing spatial filters for robust EEG single-trial analysis. IEEE Signal Processing Magazine, v. 25, p. 41–56, 2008. ISSN 10535888. Citado na página 41.

BONNET, L.; LOTTE, F.; LECUYER, A. Two Brains, One Game: Design and Evaluation of a Multiuser BCI Video Game Based on Motor Imagery. IEEE Transactions on Computational Intelligence and AI in Games, v. 5, n. 2, p. 185–198, jun 2013. ISSN 1943-068X. Citado na página 25.

BROWN, P.; SALENIUS, S.; ROTHWELL, J. C.; HARI, R. Cortical correlate of the Piper rhythm in humans. Journal of neurophysiology, v. 80, n. 6, p. 2911–7, dez. 1998. ISSN 0022- 3077. Disponível em: <http://www.ncbi.nlm.nih.gov/pubmed/9862895>. Citado na página 34.

BURGES, C. J. C. A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery, Kluwer Academic Publishers, v. 2, n. 2, p. 121–167, jun. 1998. ISSN 1384-5810. Disponível em: <http://dl.acm.org/citation.cfm?id=593419.593463>. Citado na página 44.

BURKE, D. P.; KELLY, S. P.; De Chazal, P.; REILLY, R. B.; FINUCANE, C. A parametric feature extraction and classification strategy for brain-computer interfacing. IEEE Transactions on Neural Systems and Rehabilitation Engineering, v. 13, n. 1, p. 12–17, 2005. ISSN 15344320. Citado na página 41.

BUSTIOS, P. Repositorio de código fonte. 2017. GitHub. Disponível em: <https://github.com/ bustios/res>. Citado nas páginas 29 e 59.

BUSTIOS, P.; ROSA, J. L. Restricted exhaustive search for frequency band selection in mo- tor imagery classification. In: 2017 International Joint Conference on Neural Networks (IJCNN). IEEE, 2017. p. 4208–4213. ISBN 978-1-5090-6182-2. Disponível em: <http:// ieeexplore.ieee.org/document/7966388/>. Citado na página 29.

CAPLAN, J. B.; MADSEN, J. R.; RAGHAVACHARI, S.; KAHANA, M. J. Distinct pat- terns of brain oscillations underlie two basic parameters of human maze learning. Journal of neurophysiology, v. 86, n. 1, p. 368–80, jul. 2001. ISSN 0022-3077. Disponível em: <http://www.ncbi.nlm.nih.gov/pubmed/11431517>. Citado na página 33.

CHAPELLE, O.; VAPNIK, V.; BOUSQUET, O.; MUKHERJEE, S. Choosing Multiple Para- meters for Support Vector Machines. Machine Learning, Kluwer Academic Publishers, v. 46, n. 1/3, p. 131–159, 2002. Disponível em: <http://link.springer.com/10.1023/A:1012450327387>. Citado nas páginas 51 e 52.

CHERNINSKYI, A. Human EEG with prominent alpha-rhythm. 2015. Wikimedia Commons. Disponível em: <https://commons.wikimedia.org/wiki/File:Human_EEG_with_ prominent_alpha-rhythm.png>. Citado na página 26.

CNX OpenStax. Biology. 2016. Wikimedia Commons. Disponível em: <https://commons. wikimedia.org/wiki/File:Figure_35_03_03.png>. Citado na página 36.

Referências 67

CORTES, C.; VAPNIK, V. Support-Vector Networks. Machine Learning, v. 20, n. 3, p. 273–297, 1995. Citado na página 44.

CRISTIANINI, N. Kernel Machines. 2007. Disponível em: <http://www.kernel-machines.org/>. Citado na página 48.

CRISTIANINI, N.; SHAWE-TAYLOR, J. An introduction to support vector machines and other kernel-based learning methods. Cambridge University Press, 2000. ISBN 0521780195. Disponível em: <www.support-vector.net>. Citado na página 48.

CROFT, R. J.; BARRY, R. J. Removal of ocular artifact from the EEG: a review. Neurophy- siologie clinique/Clinical neurophysiology, v. 30, n. 1, p. 5–19, fev. 2000. ISSN 0987-7053. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0987705300000551>. Ci- tado na página 35.

DORNHEGE, G.; BLANKERTZ, B.; KRAULEDAT, M.; LOSCH, F.; CURIO, G.; MÜLLER, K. R. Combined optimization of spatial and temporal filters for improving brain-computer interfacing. IEEE Transactions on Biomedical Engineering, v. 53, n. 11, p. 2274–2281, 2006. ISSN 00189294. Citado na página 26.

FATOURECHI, M.; BASHASHATI, A.; WARD, R. K.; BIRCH, G. E. EMG and EOG arti- facts in brain computer interface systems: A survey. Clinical neurophysiology: official jour- nal of the International Federation of Clinical Neurophysiology, v. 118, n. 3, p. 480–94, mar. 2007. ISSN 1388-2457. Disponível em: <http://www.sciencedirect.com/science/article/pii/ S1388245706015124>. Citado nas páginas 35 e 39.

FERNáNDEZ, T.; HARMONY, T.; RODRÍGUEZ, M.; BERNAL, J.; SILVA, J.; REYES, A.; MAROSI, E. EEG activation patterns during the performance of tasks involving different components of mental calculation. Electroencephalography and clinical neurophysiology, v. 94, n. 3, p. 175–82, mar. 1995. ISSN 0013-4694. Disponível em: <http://www.ncbi.nlm.nih. gov/pubmed/7536152>. Citado na página 33.

FREEMAN, W. J.; QUIAN-QUIROGA, R. Imaging Brain Function With EEG. New York, NY: Springer New York, 2013. ISBN 978-1-4614-4983-6. Disponível em: <http://link.springer. com/10.1007/978-1-4614-4984-3>. Citado nas páginas 31 e 33.

GAGGIOLI, A.; MORGANTI, F.; MENEGHINI, A.; POZZATO, I.; GREGGIO, G.; PIGATTO, M.; RIVA, G. Computer-guided mental practice in neurorehabilitation. Studies in health te- chnology and informatics, v. 145, p. 195–208, jan. 2009. ISSN 0926-9630. Disponível em: <http://www.ncbi.nlm.nih.gov/pubmed/19592795>. Citado na página 28.

GAUR, P.; PACHORI, R. B.; PRASAD, G. An empirical mode decomposition based filtering method for classification of motor-imagery EEG signals for enhancing brain-computer interface. In: 2015 International Joint Conference on Neural Networks (IJCNN). [S.l.]: IEEE, 2015. p. 1–7. ISBN 978-1-4799-1960-4. Citado na página 61.

GONZALEZ-VELLON, B.; SANEI, S.; CHAMBERS, J. Support vector machines for seizure detection. In: Proceedings of the 3rd IEEE International Symposium on Signal Processing and Information Technology. IEEE, 2003. p. 126–129. ISBN 0-7803-8292-7. Disponível em: <http://ieeexplore.ieee.org/document/1341076/>. Citado na página 44.

HAYKIN, S. Neural networks : a comprehensive foundation. [S.l.]: Prentice Hall, 1998. ISBN 0780334949. Citado na página 52.

68 Referências

KLEM, G. H.; LüDERS, H. O.; JASPER, H. H.; ELGER, C. The ten-twenty electrode system of the International Federation. The International Federation of Clinical Neurophysiology. Electro- encephalography and clinical neurophysiology. Supplement, v. 52, p. 3–6, jan. 1999. ISSN 0424-8155. Disponível em: <http://www.ncbi.nlm.nih.gov/pubmed/10590970>. Citado nas páginas 31 e 32.

KLIMESCH, W. EEG-alpha rhythms and memory processes. International Journal of Psy- chophysiology, v. 26, n. 1-3, p. 319–340, jun. 1997. ISSN 01678760. Disponível em: <http: //www.sciencedirect.com/science/article/pii/S0167876097007733>. Citado na página 34. KOLES, Z. J.; LAZAR, M. S.; ZHOU, S. Z. Spatial patterns underlying population differences in the background EEG. Brain Topography, v. 2, n. 4, p. 275–284, 1990. ISSN 0896-0267. Citado nas páginas 26, 40 e 41.

LEE, K.-H.; WILLIAMS, L. M.; BREAKSPEAR, M.; GORDON, E. Synchronous Gamma activity: a review and contribution to an integrative neuroscience model of schizophrenia. Brain Research Reviews, v. 41, n. 1, p. 57–78, jan. 2003. ISSN 01650173. Disponível em: <http: //www.sciencedirect.com/science/article/pii/S0165017302002205>. Citado na página 34. LEEB, R.; LEE, F.; KEINRATH, C.; SCHERER, R.; BISCHOF, H.; PFURTSCHELLER, G. Brain-computer communication: Motivation, aim, and impact of exploring a virtual apartment. IEEE Transactions on Neural Systems and Rehabilitation Engineering, v. 15, n. 4, p. 473– 482, dec 2007. ISSN 15344320. Citado nas páginas 25, 40, 42, 43 e 58.

MCFARLAND, D. J.; ANDERSON, C. W.; MüLLER, K.-R.; SCHLöGL, A.; KRUSIENSKI, D. J. BCI Meeting 2005–workshop on BCI signal processing: feature extraction and translation. IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society, v. 14, n. 2, p. 135–8, jun. 2006. ISSN 1534-4320. Disponível em: <http://www.ncbi.nlm.nih.gov/pubmed/16792278>. Citado na

página 41.

MULDER, T. Motor imagery and action observation: Cognitive tools for rehabilitation. Journal of Neural Transmission, v. 114, n. 10, p. 1265–1278, 2007. ISSN 03009564. Citado nas páginas 25 e 35.

MüLLER-GERKING, J.; PFURTSCHELLER, G.; FLYVBJERG, H. Designing optimal spatial filters for single-trial EEG classification in a movement task. Clinical Neurophysiology, v. 110, n. 5, p. 787–798, maio 1999. ISSN 13882457. Disponível em: <http://www.sciencedirect.com/ science/article/pii/S1388245798000388>. Citado na página 40.

NEUPER, C.; SCHERER, R.; REINER, M.; PFURTSCHELLER, G. Imagery of motor actions: differential effects of kinesthetic and visual-motor mode of imagery in single-trial EEG. Brain research. Cognitive brain research, v. 25, n. 3, p. 668–77, dez. 2005. ISSN 0926-6410. Dispo- nível em: <http://www.sciencedirect.com/science/article/pii/S0926641005002533>. Citado na página 37.

NICOLAS-ALONSO, L. F.; GOMEZ-GIL, J. Brain computer interfaces, a review. Sen- sors (Basel, Switzerland), v. 12, n. 2, p. 1211–79, jan. 2012. ISSN 1424-8220. Disponível em: <http://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=3304110&tool=pmcentrez& rendertype=abstract>. Citado nas páginas 28 e 32.

Referências 69

NIJHOLT, A.; REUDERINK, B.; BOS, D. O. Turning shortcomings into challenges: Brain- computer interfaces for games. Entertainment Computing, International Federation for Infor- mation Processing, v. 1, n. 2, p. 85–94, 2009. ISSN 18678211. Citado na página 25.

NOVI, Q.; GUAN, C.; DAT, T. H.; XUE, P. Sub-band Common Spatial Pattern (SBCSP) for Brain-Computer Interface. In: 2007 3rd International IEEE/EMBS Conference on Neural Engineering. IEEE, 2007. p. 204–207. ISBN 1-4244-0791-5. ISSN 1948-3546. Disponível em: <http://ieeexplore.ieee.org/articleDetails.jsp?arnumber=4227252>. Citado nas páginas 26, 40,

43 e 53.

OBERMAIER, B.; MüLLER, G. R.; PFURTSCHELLER, G. "Virtual keyboard"controlled by spontaneous EEG activity. IEEE transactions on neural systems and rehabilitation enginee- ring : a publication of the IEEE Engineering in Medicine and Biology Society, v. 11, n. 4, p. 422–6, dez. 2003. ISSN 1534-4320. Disponível em: <http://www.ncbi.nlm.nih.gov/pubmed/ 14960119>. Citado na página 28.

PFURTSCHELLER, G. Event-related synchronization (ERS): an electrophysiological correlate of cortical areas at rest. Electroencephalography and Clinical Neurophysiology, v. 83, n. 1, p. 62–69, 1992. Citado nas páginas 26 e 35.

PFURTSCHELLER, G. Functional brain imaging based on ERD/ERS. Vision Research, v. 41, n. 10, p. 1257–1260, 2001. Citado nas páginas 26, 34 e 35.

PFURTSCHELLER, G.; ARANIBAR, A. Event-related cortical desynchronization detected by power measurements of scalp EEG. Electroencephalography and Clinical Neurophysiology, v. 42, n. 6, p. 817–826, 1977. Citado nas páginas 26 e 35.

PFURTSCHELLER, G.; GUGER, C.; MÜLLER, G.; KRAUSZ, G.; NEUPER, C. Brain oscilla- tions control hand orthosis in a tetraplegic. Neuroscience Letters, v. 292, n. 3, p. 211–214, oct 2000. ISSN 03043940. Citado nas páginas 25, 37 e 55.

PFURTSCHELLER, G.; NEUPER, C. Motor imagery activates primary sensorimotor area in humans. Neuroscience Letters, v. 239, n. 2, p. 65–68, 1997. Citado nas páginas 25, 36, 37 e 55. PFURTSCHELLER, G.; NEUPER, C. Motor imagery and direct brain-computer communication. Proceedings of the IEEE, v. 89, n. 7, p. 1123–1134, jul. 2001. ISSN 00189219. Disponível em: <http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=939829>. Citado na página

36.

PFURTSCHELLER, G.; NEUPER, C.; FLOTZINGER, D.; PREGENZER, M. EEG-based discrimination between imagination of right and left hand movement. Electroencephalography and Clinical Neurophysiology, v. 103, n. 6, p. 642–651, dec 1997. ISSN 00134694. Citado nas páginas 37 e 55.

PFURTSCHELLER, G.; SILVA, F. H. Lopes-da. Event-related EEG/MEG synchronization and desynchronization: basic principles. Clinical Neurophysiology, v. 110, n. 11, p. 1842–1857, nov 1999. ISSN 13882457. Citado nas páginas 26, 37, 40 e 55.

PICHIORRI, F.; De Vico Fallani, F.; CINCOTTI, F.; BABILONI, F.; MOLINARI, M.; KLEIH, S. C.; NEUPER, C.; KÜBLER, A.; MATTIA, D. Sensorimotor rhythm-based brain-computer interface training: the impact on motor cortical responsiveness. Journal of neural engineering, v. 8, n. 2, 2011. Citado nas páginas 37 e 55.

70 Referências

PINEDA, J. A. The functional significance of mu rhythms: translating "seeing"and "he- aring"into "doing". Brain research. Brain research reviews, v. 50, n. 1, p. 57–68, dez. 2005. ISSN 01650173. Disponível em: <http://www.sciencedirect.com/science/article/pii/ S0165017305000573>. Citado na página 34.

PUDIL, P.; NOVOVI ˇCOVÁ, J.; KITTLER, J. Floating search methods in feature selection. Pattern Recognition Letters, v. 15, n. 11, p. 1119–1125, nov 1994. ISSN 01678655. Citado na página 42.

RAZA, H.; CECOTTI, H.; PRASAD, G. Optimising frequency band selection with forward- addition and backward-elimination algorithms in EEG-based brain-computer interfaces. In: Proceedings of the International Joint Conference on Neural Networks. [S.l.]: IEEE, 2015. v. 2015-Septe, p. 1–7. ISBN 9781479919604. Citado nas páginas 42 e 55.

RAZA, H.; CECOTTI, H.; PRASAD, G. A combination of transductive and inductive learning for handling non-stationarities in motor imagery classification. In: 2016 International Joint Conference on Neural Networks (IJCNN). [S.l.]: IEEE, 2016. p. 763–770. ISBN 978-1-5090- 0620-5. Citado na página 61.

SAA, J. F. D.; ÇETIN, M. Hidden conditional random fields for classification of imaginary motor tasks from EEG data. In: IEEE. Signal Processing Conference, 2011 19th European. [S.l.], 2011. p. 171–175. ISSN 2076-1465. Citado na página 61.

SCHERER, R.; MULLER, G.; NEUPER, C.; GRAIMANN, B.; PFURTSCHELLER, G. An Asynchronously Controlled EEG-Based Virtual Keyboard: Improvement of the Spelling Rate. IEEE Transactions on Biomedical Engineering, v. 51, n. 6, p. 979–984, jun 2004. Disponível em: <http://ieeexplore.ieee.org/document/1300792/>. Citado na página 42.

SCHRÖDER, M.; LAL, T. N.; HINTERBERGER, T.; BOGDAN, M.; HILL, N. J.; BIRBAU- MER, N.; ROSENSTIEL, W.; SCHÖLKOPF, B. Robust EEG channel selection across subjects for brain-computer interfaces. Eurasip Journal on Applied Signal Processing, v. 2005, n. 19, p. 3103–3112, 2005. ISSN 11108657. Citado na página 42.

SHOKER, L.; SANEI, S.; CHAMBERS, J. Artifact removal from electroencephalograms using a hybrid BSS-SVM algorithm. IEEE Signal Processing Letters, v. 12, n. 10, p. 721–724, oct 2005. Disponível em: <http://ieeexplore.ieee.org/document/1510668/>. Citado na página 44. SHOKER, L.; SANEI, S.; SUMICH, A. Distinguishing Between Left and Right Finger Movement from EEG using SVM. In: 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference. IEEE, 2005. p. 5420–5423. ISBN 0-7803-8741-4. Disponível em: <http://ieeexplore.ieee.org/document/1615708/>. Citado na página 44.

SHOKER, L.; SANEI, S.; WANG, W.; CHAMBERS, J. A. Removal of eye blinking artifact from the electroencephalogram, incorporating a new constrained blind source separation algorithm. Medical & Biological Engineering & Computing, Springer-Verlag, v. 43, n. 2, p. 290–295, apr 2005. Disponível em: <http://link.springer.com/10.1007/BF02345968>. Citado na página 44.

TANGERMANN, M.; MÜLLER, K.-R.; AERTSEN, A.; BIRBAUMER, N.; BRAUN, C.; BRUN- NER, C.; LEEB, R.; MEHRING, C.; MILLER, K. J.; MÜLLER-PUTZ, G. R.; NOLTE, G.; PFURTSCHELLER, G.; PREISSL, H.; SCHALK, G.; SCHLÖGL, A.; VIDAURRE, C.; WAL- DERT, S.; BLANKERTZ, B. Review of the BCI Competition IV. Frontiers in neuroscience,