Esta monografia trata do estudo e implementação de um sistema de interface cérebro-computador (ICC), baseado em imagens motoras da mão esquerda e direita. Para isso, são coletados sinais eletroencefalográficos (EEG) do couro cabeludo do usuário por meio da placa Cyton OpenBCI, que são então inseridos nos demais estágios por meio de um software de código aberto desenvolvido para estudar esses sinais: OpenVibe. O primeiro caso filtra o sinal EEG através de um filtro temporal com banda passante de 8 a 30 Hz utilizando os sinais dos oito canais.
O último caso utiliza o mesmo banco de doze filtros, mas os sinais EEG selecionados são de canais específicos, onde primeiro apenas os sinais EEG de um canal são selecionados por vez, depois combinados com o sinal dos outros canais um por um. e Por fim, respeita-se a escala de classificação destes canais para selecionar os três e quatro melhores canais a serem filtrados.
INTRODUÇÃO
MOTIVAÇÃO
OBJETIVOS
- Objetivos Específicos
FUNDAMENTAÇAO E REVISÃO TEÓRICA
O CÉREBRO E A IMPORTÂNCIA DOS NEURÔNIOS
- O Eletroencefalograma e os Ritmos Cerebrais
- Estratégia mental
Além dessa divisão, há também a divisão do cérebro em hemisférios proposta por Roger Sperry. Ele descobriu que o hemisfério esquerdo do cérebro é responsável pela interpretação “lógica” das situações, com a qual analisa os dados e procura razões que justifiquem os acontecimentos. A divisão do cérebro em hemisférios é importante para algumas das conclusões finais deste trabalho, pois a visualização e imaginação dominante do lado direito serão fortemente utilizadas durante a atividade experimental que o utilizador irá desenvolver.
Portanto, basta um estímulo sensorial ou movimento de um membro para enfraquecer ou desaparecer esse ritmo na parte central do cérebro.
MATERIAIS, MÉTODOS E IMPLEMENTAÇÃO DO SISTEMA ICC
ETAPA DE AQUISIÇÃO DO SINAL
- Hardware de Aquisição
- Software para implementação do sistema ICC
- Implementação da aquisição de sinais
Especificamente, neste trabalho escolhemos os eletrodos copo de ouro da empresa OpenBCI, ilustrados na Figura 3.2, por serem pequenos e capazes de serem fixados no couro cabeludo e possuírem melhor condutividade. O sistema escolhido está ilustrado na Figura 3.3, onde os números pares indicam os eletrodos a serem colocados no lado direito do cérebro e os números ímpares indicam os que devem ser colocados no lado esquerdo. Foi assim possível obter o resultado ilustrado na Figura 3.5, onde é possível observar a correspondência entre a posição dos eletrodos Cz e Cpz no sistema 10-10 e no couro cabeludo do usuário.
O protocolo experimental mencionado no parágrafo anterior está ilustrado na Figura 3.6, que ilustra o tempo, em segundos, de cada fase da atividade experimental.
ETAPA DE PROCESSAMENTO DE SINAIS EEG
- Filtragem temporal
- Escolha do filtro digital
- Implementação da filtragem temporal
- Definição e implementação da filtragem espacial
- Definição e implementação da extração de características
- Definição e implementação da etapa de classificação
A Figura 3.9 mostra que a primeira etapa do pré-processamento refere-se à filtragem temporal, que inclui uma das configurações mais importantes deste trabalho, pois os sinais recebidos no couro cabeludo do usuário possuem ruídos diferentes, sendo necessária a implementação de um filtro que trate esses ruídos e opera na faixa de frequência de interesse. O filtro Butterworth representa a função resposta da equação 3.1, onde é o ganho do filtro quando a frequência é zero; é a frequência de corte ( ) e é a ordem do filtro. Vale ressaltar que a ordem do filtro é dada pelo número de redes de atraso presentes em sua estrutura e que quanto maior a ordem do filtro, mais próxima estará sua resposta das curvas ideais, mostradas na figura 3.10.
Além disso, constatou-se na Figura 3.10 que a resposta do filtro Butterworth é a mais plana possível, pois suas curvas não possuem nenhum tipo de ondulação e que a resposta plana máxima ocorre próximo ao ponto. Os sinais filtrados pelo filtro Butterworth foram representados matematicamente por uma matriz conforme mostrado na Figura 3.12, que possui o mesmo número de canais e amostras da matriz anterior, mas é limitada na banda estabelecida pela filtragem, ou seja, entre 8 e 30 Hz. As configurações deste filtro foram inseridas no bloco marcado na Figura 3.13 do script fornecido pelo OpenVibe, que está detalhado no Apêndice I deste trabalho.
Porém, conforme mostra a Figura 3.14, é importante observar que as saídas de cada filtro possuem esta representação, as quais estão conectadas de para. As configurações deste banco de filtros foram inseridas nos blocos destacados na Figura 3.15 do script fornecido pelo OpenVibe, que está detalhado no Anexo I deste trabalho. Portanto, a saída do bloco de filtragem espacial utilizando CSP deve ter uma Matriz em sua saída, conforme mostrado na Figura 3.16.
Isso pode ser resolvido implementando um vetor de características, que é implementado na etapa de extração de características, conforme ilustrado na Figura 3.17, que é capaz de destacar apenas as características mais relevantes para a classificação de Imagens de Carros. Após esta etapa, a última etapa do processamento foi o classificador, demonstrado na Figura 3.19, que utiliza o algoritmo de análise discriminante linear (LDA) baseado no critério de Fisher, que realiza um mapeamento linear dos vetores de características para o espaço de decisão.
RESULTADOS E DISCUSSÕES
O primeiro dado satisfatório que pode ser discutido nesta primeira tabela refere-se à diferença de valores entre as precisões de treinamento e validação, pois aconteceu algo esperado: O valor de treinamento é maior que o valor de validação. Embora a validação tenha dados de entrada diferentes, ela apresenta a tarefa de distinguir verdadeiramente a imaginação motora, levando a um desempenho inferior em comparação com a precisão do treinamento.
RESULTADOS UTILIZANDO O BANCO DE FILTROS
O resultado obtido é o esperado, uma vez que o banco de filtros fornece ao sistema ICC características mais específicas provenientes das subbandas do que as características gerais filtradas por um filtro com banda de frequência mais ampla. Portanto, ao comparar as Tabelas 5.1 e 5.2, é possível notar o aumento significativo na acurácia de 88,53% para 94,19%, o que demonstra a melhoria na taxa de classificação utilizando o banco de filtros. Os próximos resultados vêm do terceiro caso, onde também é utilizada a Filtragem com banco de filtros, mas que utiliza diferentes quantidades de canais para observar o comportamento do desempenho da taxa de classificação para cada quantidade definida.
Primeiramente, este caso foi simulado apenas para um canal por vez, obtendo-se assim as informações de precisão da Tabela 4.3. Os primeiros valores de precisão utilizando diferentes números de canais podem ser vistos na Tabela 4.3, que mostra a precisão para estudar o sinal EEG proveniente de um determinado canal. Portanto, observa-se que a melhor taxa de acerto está no canal C2, destacado em vermelho na Tabela 4.3, contendo 69,88% de acerto.
O próximo passo foi simular este caso para combinar cada canal um por um com os outros sete canais, produzindo os resultados nas Tabelas 4.4 a 4.11. PRECISÃO OBTIDA SELECIONANDO UM CANAL E FILTRANDO-OS EM UM CONJUNTO DE FILTROS. PRECISÃO MÉDIA ATINGIDA QUANDO UM CANAL É SELECIONADO UM A UM COM OUTROS CANAIS FILTRADOS POR UM CONJUNTO DE FILTROS.
Conhecendo essas capacidades, a simulação a seguir utilizará os três melhores e os três piores canais para aquele usuário, produzindo os seguintes resultados. O Gráfico 4.2 captura os melhores resultados obtidos ao selecionar de 1 a 4 canais utilizando um banco de filtros e depois compará-los com o método tradicional, onde pode-se observar que os cenários que utilizam o banco de filtros apresentam quase o mesmo desempenho, utilizando metade do número de canais (85,14%) em comparação ao método tradicional que possui apenas um filtro temporal (88,53%).
CONCLUSÕES, DIFICULDADES E PERPESCTIVAS FUTURAS
Através da janela da Figura 5.2 é possível ter uma ideia da variedade de classes disponibilizadas pelo Software, possibilitando assim esta opção de busca. Outra possibilidade seria utilizar conjuntos de dados concorrentes em vez de adquirir o sinal EEG com equipamento, uma vez que realizar a aquisição exige que o pesquisador tenha recursos financeiros para adquirir o equipamento e tempo e esforço para treinar os usuários para realizá-la. . Além disso, utilizando conjuntos de dados, resultados ainda melhores podem ser alcançados, pois os resultados satisfatórios obtidos neste trabalho conseguiram ser gerados em um ambiente desfavorável, onde havia outros computadores conectados e outros pesquisadores em laboratório, portanto, dados provenientes de um conjunto de dados que vem de um procedimento ainda mais rigoroso que proporciona ambientes menos ruidosos pode realmente trazer melhorias na taxa de classificação deste sistema estabelecido.
Reconhecimento de padrões em sinais de EEG para detecção de intenção de movimento para uso em interface cérebro-máquina.
- FIXAÇÃO DOS ELETRODOS E CONFIGURAÇÕES INICIAIS
- CENÁRIO 1: MONITORAMENTO DE SINAIS EGG
- CENÁRIO 2: AQUISIÇÃO DE SINAIS EEG
- CENÁRIO 3: TREINANDO O ALGORITMO CSP
- Treinamento do algoritmo CSP com um filtro temporal (8-30Hz)
- Treinamento do algoritmo CSP com um banco com doze filtros
- CENÁRIO 4: TREINANDO O ALGORITMO LDA
- Classificação no OpenVibe utilizando o algoritmo análise discriminante linear (LDA)
- CENÁRIO 5: EXECUÇÃO DE RESULTADOS
Após verificar o sucesso da comunicação entre o software e o hardware, execute o OpenVibe Designer no computador e assim abra a janela mostrada na figura 2.1, que permite a criação, execução e modificação de cenários destinados ao estudo dos sinais de EEG. Portanto, é necessário clicar duas vezes nessa caixa e assim abrir a janela da Figura 4.2, onde é possível selecionar o sinal gravado anteriormente. Por esse motivo, é necessário reanalisar o paradigma da Figura 4.10, pois pode-se observar que, após a sugestão ser estimulada, o usuário tem quase 4 segundos para realizar a imagética motora.
Na Figura 4.9 é possível notar que se trata dos mesmos cenários, diferenciados apenas pela inclusão ou não do bloco Filtro Temporal, que possui a mesma configuração adotada nos demais cenários. Na versão da Figura 4.9a, o bloco Generic Stream Reader irá ler o arquivo selecionado como conjunto de treinamento criado e gravado no cenário 2, e o bloco CSP Spatial Filter será implementado com o CSP treinado no cenário 3 é para o caso com apenas um filtro temporal. Na Figura 4.9b, o bloco Generic Stream Reader irá ler o arquivo derivado do conjunto de treinamento criado e escrito no cenário 3 após passar pelo banco de filtros, e o bloco CSP Spatial Filter será implementado com o CSP que foi treinado no cenário 3 ao caso em que o banco de filtros foi implementado.
A Figura 4.10 mostra suas configurações, onde o próprio Software pré-configura que serão geradas épocas de 1 segundo a cada 1/16 de segundo. a)b). Os parâmetros selecionados são demonstrados na figura 4.13, onde pode-se observar que as classes correspondentes são selecionadas para a mão direita e esquerda, assim como o algoritmo LDA. Na figura 4.14a,b pode-se observar que são os mesmos cenários, diferenciados apenas pela inclusão ou não do bloco Filtro Temporal, que possui a mesma configuração adotada nos demais cenários.
Primeiramente, quando o Generic Stream Reader inclui em seu bloco a leitura do arquivo selecionado como conjunto de treinamento criado e gravado no Cenário 2, em seguida o CSP aprendido é inserido no bloco Spatial Filter CSP e por fim o LDA no bloco Classifier Processor. Segundo, quando a versão da Figura 4.14a é simulada, ela mantém o CSP e o LDA aprendidos com o conjunto de treinamento, mas muda seu sinal de entrada para o bloco Generic Stream Reader, que agora pode ler o sinal do conjunto de treinamento. registrado no cenário 2. Primeiro inclui em seu bloco Generic Stream Reader a leitura do arquivo derivado do conjunto de treinamento criado e gravado no cenário 3, após o banco filtrá-lo com doze filtros, então esse CSP treinado é inserido no filtro espacial Bloco CSP e, por fim, LDA para o bloco Processador Classificador.
Na segunda vez que a versão da Figura 4.14b é simulada, ela mantém o CSP e o LDA treinados com o arquivo derivado do conjunto de treinamento após ser filtrado pelo banco de doze filtros, mas altera seu sinal de entrada no leitor de bloco Generic Stream, que agora pode ler o sinal e o arquivo derivado do conjunto de validação obtido e escrito no cenário 3 modificado.
