Universidade Estadual de Campinas Faculdade de Tecnologia
Paulo Cezar Kretikouski Roque
CONTROLE DE UM PROTÓTIPO DE CADEIRA DE
RODAS ATRAVÉS DE UMA INTERFACE
CÉREBRO-COMPUTADOR
Paulo Cezar Kretikouski Roque
CONTROLE DE UM PROTÓTIPO DE CADEIRA DE RODAS
ATRAVÉS DE UMA INTERFACE CÉREBRO-COMPUTADOR
Dissertação apresentada à Faculdade de Tecnologia da Universidade Estadual de Campinas como parte dos requisitos para a obtenção do título de Mestre em Tecnologia, na área de Sistemas de Informação e Comunicação.
Orientadora: Profa. Dra. Talía Simões dos Santos Ximenes
Este exemplar corresponde à versão final da Dissertação defendida por Paulo Cezar Kretikouski Roque e orientada pela Profa. Dra. Talía Simões dos Santos Ximenes.
Agência(s) de fomento e nº(s) de processo(s): Não se aplica.
Ficha catalográfica
Universidade Estadual de Campinas Biblioteca da Faculdade de Tecnologia Maria Lúcia Nery Dutra de Castro - CRB 8/1724 Kretikouski Roque, Paulo Cezar,
K885c KreControle de um protótipo de cadeira de rodas através de uma interface cérebro-computador / Paulo Cezar Kretikouski Roque. – Limeira, SP : [s.n.], 2017.
KreOrientador: Talía Simões dos Santos Ximenes.
KreDissertação (mestrado) – Universidade Estadual de Campinas, Faculdade de Tecnologia.
Kre1. Interfaces cérebro-computador. 2. Eletroencefalografia. 3.
Microcontroladores. I. Santos, Talía Simões dos, 1980-. II. Universidade Estadual de Campinas. Faculdade de Tecnologia. III. Título.
Informações para Biblioteca Digital
Título em outro idioma: Control of a wheelchair prototype through a brain computer
interface
Palavras-chave em inglês:
Brain-computer interfaces Electroencephalography Microcontrollers
Área de concentração: Sistemas de Informação e Comunicação Titulação: Mestre em Tecnologia
Banca examinadora:
Talía Simões dos Santos Ximenes [Orientador] Edson Luiz Ursini
Vicente Idalberto Becerra Sablón
Data de defesa: 17-11-2017
Programa de Pós-Graduação: Tecnologia
Universidade Estadual de Campinas Faculdade de Tecnologia
Paulo Cezar Kretikouski Roque
CONTROLE DE UM PROTÓTIPO DE CADEIRA DE RODAS
ATRAVÉS DE UMA INTERFACE CÉREBRO-COMPUTADOR
Banca Examinadora:
• Dra. Talía Simões dos Santos Ximenes FT/UNICAMP
• Dr. Vicente Idalberto Becerra Sablon UNIMEP
• Dr. Edson Luiz Ursini FT/UNICAMP
A ata da defesa com as respectivas assinaturas dos membros da banca encontra-se no processo de vida acadêmica do aluno.
Nosso cérebro é o melhor brinquedo já criado: nele se encontram todos os segredos, inclusive o da felicidade.
Agradecimentos
Agradeço aos meus pais pelo apoio moral e financeiro em todo esse tempo no mestrado. À Prof. Talía que aceitou me orientar e me deu suporte em vários aspectos.
Ao Professor Edson Luiz Ursini que deu muito apoio e incentivou no trabalho.
Agradeço ao Leonardo Takahashi e ao Lucas Helt pelas idéias com relação ao desenvolvi-mento do sistema, e ao Alisson David Dantas com relação à escrita.
Agradeço a todos os amigos que apoiaram e me ajudaram em todos os momentos de desânimo e alegrias que marcaram esta trajetória.
Resumo
O presente trabalho tem como objetivo desenvolver um sistema que utilize a atividade cerebral para comandar um protótipo de uma cadeira de rodas. Utilizando a atividade cerebral para controle, o sistema possibilita a utilização por usuários que possuem di-ficuldades motoras severas. O trabalho utiliza o capacete Emotiv Epoc para obter a eletroencefalografia do usuário, e classificá-lo por meio de um software do próprio capa-cete. O sistema desenvolvido captura a resposta do software e envia um comando ao protótipo da cadeira de rodas. O modelo prático feito demonstra a possibilidade de cons-truir um meio de locomoção comandado por uma Interface Cérebro-Computador. Foram feitos testes para analisar os movimentos do protótipo e treinos para controlar o sistema. Os testes com os movimentos demonstram uma resposta satisfatória do protótipo com a cadeira de rodas. Para o controle, foi possível testar até dois movimentos com sucesso. O sistema demonstra que é possível desenvolver um meio de locomoção utilizando a ativi-dade cerebral para o controle.
Palavras-chave: Interfaces cérebro-computador, Eletroencefalografia, Microcontrolado-res.
Abstract
The aim of the current work is to develop a system which uses brain activity to command a wheelchair prototype. By using brain activity for control, this system makes it possible for users, who have severe motor disorders, to command it. Thus, a Emotiv Epoc head-set has been employed, in order to acquire and classify the electroencephalography from the user through the headset software itself. The system developed, captures software responses and sends commands to the wheelchair prototype. The practical model has shown that is possible to build a locomotion system commanded by a Brain Computer Interface. Throughout the development of this project, tests have been performed to evaluate the prototype movements. In addition, a routine of training has been conducted in order to test the control of the wheelchair. These movement tests performed on the prototype-wheelchair has presented satisfying response results. Regarding the control, it was possible to evaluate two movements successfully. This work demonstrates that it is possible to develop a locomotion system by using brain activity for control.
Lista de Figuras
1.1 Esquemático de uma BCI . . . 13
2.1 Lobos e fissuras do cerebro . . . 16
2.2 Regiões do cerebro . . . 16
2.3 Hiperplano no SVM . . . 20
3.1 Capacete Emotiv Epoc . . . 23
3.2 Sistema Internacional 10-20 . . . 24
3.3 Demonstrativo de qualidade dos eletrodos . . . 25
3.4 Facial Expression . . . 25 3.5 Performance Metrics . . . 26 3.6 Inertial Sensors . . . 27 3.7 Mental Commands . . . 27 4.1 Mapa conceitual . . . 30 4.2 Protótipo . . . 30 4.3 Movimentos da cadeira . . . 31 4.4 Varredura de imagem . . . 32 4.5 Fluxograma Python . . . 33 4.6 Esquema Bluetooth . . . 34 4.7 Módulo Bluetooth . . . 34 4.8 Ponte H e motores . . . 35 4.9 Fluxograma Arduino . . . 36 5.1 Esquemático do projeto . . . 38
Lista de Abreviações e Siglas
BCI - Interface Cérebro-Computador, do inglês, Brain Computer Interface EEG - Eletroencefalografia ou Eletroencefalograma
ERD - Event Related Desynchronization
ERP - Potenciais Relacionados a Eventos, do inglês, Event Related Potentials ERS - Event Related Synchronization
MT - Tarefas Mentais, do inglês, Mental Tasks
SCP - Potencial Cortical Lento, do inglês, Slow Cortical Potential
SSVEP - Potencial Visual Evocado em Estado de Equilíbrio, do inglês, Steady State Visual Evoked Potentials
TVEP - Potencial Visual Evocado Transitório, do inglês, Transient Visual Evoked Po-tentials
USB - Universal Serial Bus
VEP - Potencial Visutal Evocado, do inglês, Visual Evoked Potentials SDK - Software Development Kit
Sumário
1 Introdução 12
1.1 Motivação . . . 13
1.2 Objetivos . . . 14
2 Fundamentação Teórica 15 2.1 O cérebro e suas áreas . . . 15
2.2 Aquisição de sinais . . . 17
2.3 Pré-processamento . . . 18
2.4 Extração de características . . . 18
2.4.1 Visual Evoked Potential . . . 18
2.4.2 Slow Cortical Potential . . . 18
2.4.3 P300 . . . 19
2.4.4 Ritmos Mu e Beta . . . 19
2.5 Classificação . . . 19
2.5.1 Support Vector Machine . . . 20
2.6 Aplicações . . . 21
3 Emotiv Epoc 23 3.1 Emotiv Xavier Control Panel . . . 24
3.2 Aplicações com Emotiv Epoc . . . 27
4 Sistema Desenvolvido 29 4.1 Python . . . 31
4.2 Bluetooth . . . 32
4.3 Arduino e o circuito para os motores . . . 34
5 Metodologia 37 6 Resultados e Discussões 39 6.1 Movimentos da cadeira . . . 39 6.2 Dificuldade do controle . . . 39 6.3 Sistema em Geral . . . 40 7 Conclusões 42 7.1 Trabalhos Futuros . . . 43 Referências Bibliográficas 44
Capítulo 1
Introdução
Apesar de parecer futurista e digna de filmes de ficção científica, uma interface para a comunicação direta do cérebro com máquinas se tornou possível através da Interface Cére-bro Computador (BCI, do inglês Brain Computer Interface). Uma BCI tem por objetivo utilizar sinais gerados pelo Sistema Nervoso Central para controle de alguma aplicação, não dependendo de músculos ou nervos (Sistema Nervoso Periférico) (BARBOSA, 2012). A comunicação direta com o cérebro, sem depender do Sistema Nervoso Periférico, abre uma nova opção de interação. Por meio de um sistema que utiliza o BCI é possível desenvolver sistemas que possam, por exemplo, acionar movimentos e ajudar pessoas que possuem dificuldades motoras. Pessoas que sofrem com incapacidades físicas de alto grau (como nos caso da tetraplegia e da Esclerose Lateral Amiotrófica), mas que possuem atividade cerebral inalterada, a BCI se torna uma alternativa para auxiliar a comunicação, mobilidade, movimento de robôs auxiliares, entre outros.
Por mais que pareça uma área nova, um trabalho que utiliza BCI foi sugerido por Vidal na década de 1970 (VIDAL, 1973). A pesquisa tem crescido junto com os desafios, pois é uma pesquisa que envolve diferentes áreas como neurociência, processamento de sinais, programação e engenharia.
De modo geral, uma BCI se divide entre: aquisição de sinais; pré-processamento; classificação; aplicação; como mostrado na Figura 1.1.
A aquisição dos sinais pode ser feita por vários métodos diferentes e consiste em captar a atividade cerebral. O pré-processamento trata ruídos e interferências do sinal bruto, para ser processado posteriormente. A etapa de classificação tem por finalidade encontrar o padrão da atividade cerebral do usuário. Para que possa ser classificado é preciso extrair a característica de determinado padrão na atividade cerebral por meio de algum treinamento. Então é analisado o sinal adquirido a fim de encontrar esse padrão no sinal e classificá-lo. Esses padrões da atividade cerebral vão ser mostrados mais especificamente na Seção 2.4. Após classificado o sinal, ele é convertido em um comando para um software ou máquina, o que caracteriza sua aplicação.
CAPÍTULO 1. INTRODUÇÃO 13
Figura 1.1: Esquemático de uma Interface Cérebro-Computador.
Com relação ao sinal e à classificação, é possível trabalhar com BCI de duas formas, online ou offline. Quando a BCI é online, é feito o processamento do sinal obtido em tempo real, portanto é esperado um tempo de processamento menor para receber o resultado rapidamente. Uma BCI offline não precisa ser processada rapidamente, pois não depende de tempo de resposta e obtêm precisão máxima.
O processamento também pode se dividir em síncrono e assíncrono. No caso de uma BCI síncrona, é levado em conta um intervalo constante de tempo para interpretar o sinal. Contando que temos um sinal que varia muito, teremos um comando reconhecido independentemente da vontade do usuário de comandar ou não. No caso da assíncrona, o comando só é reconhecido conforme o desejo do usuário.
A dissertação está dividida em 7 capítulos que possuem informações sobre a parte teórica e o sistema desenvolvido. Capítulo 2 possui informações sobre o cérebro e explica sobre as componentes de uma BCI. O Capítulo 3 fala diretamente do capacete Emotiv Epoc usado para o trabalho e sobre algumas pesquisas que utilizam o capacete. O Capí-tulo 4 fala sobre o sistema desenvolvido, cada parte do sistema e seu funcionamento. A metodologia é encontrada no Capítulo 5. O Capítulo 6 apresenta e discute os resultados. O Capítulo 7 conclui o trabalho.
1.1
Motivação
A possibilidade de desenvolver sistemas para auxiliar pessoas que não possuem os movimentos motores se tornou a principal motivação para o projeto.
CAPÍTULO 1. INTRODUÇÃO 14
Outra motivação é começar uma linha de pesquisa na área de BCI, possibilitando um maior envolvimento entre a sociedade e o Laboratório de Sistemas Embarcados da Faculdade de Tecnologia (FT) – UNICAMP.
1.2
Objetivos
O objetivo geral é desenvolver um sistema que possa utilizar os sinais do Emotiv Epoc para acionar ou controlar um protótipo de cadeira de rodas. O modelo prático tem por objetivo demonstrar a possibilidade de criar um sitema de locomoção por meio de uma BCI.
Como objetivos específicos temos:
• Revisão Bibliográfica e estudo sobre BCI. • Método de utilização do Emotiv Epoc.
• Um sistema de treino e classificação dos sinais obtidos pelo Emotiv Epoc.
• Comunicação entre a base de processamento dos sinais (computador) e o microcon-trolador do protótipo da cadeira.
• Circuito para controle dos motores.
Capítulo 2
Fundamentação Teórica
Como já dito, uma BCI abrange muitas áreas, portanto neste capítulo é feita uma explanação de como o cérebro trabalha e as componentes de um sistema que utiliza BCI (aquisição de sinais, pré-processamento, classificação e aplicação) de uma forma um pouco mais detalhada.
2.1
O cérebro e suas áreas
Todos os estímulos sensoriais e a ação realizada pelo corpo passa pelo Sistema Nervoso. A unidade básica do Sistema Nervoso é o neurônio que transmite a informação a outros neurônios até chegar ao seu destino. Os impulsos neurais transmitidos pelos neurônios po-dem ter ação sobre partes do corpo, como glândulas e músculos, ou então para transmitir sensações para o cérebro. Esses impulsos transmitidos pelos neurônios são potenciais de ação; impulsos eletroquímicos que são resultado do movimento de moléculas elétricamente carregadas (íons) para dentro e para fora dos neurônios (ATKINSON, 2002).
O cérebro possui uma parte mais externa chamada córtex cerebral, que recebe in-formações sensoriais e transmite respostas motoras de partes do corpo. Cada uma das informações enviadas para o cérebro possui uma área específica. Para descrever melhor essas áreas específicas, é importante compreender que existem dois hemisférios cerebrais, o hemisfério direito e esquerdo, e que eles são basicamente simétricos com uma divisão profunda entre si. Cada hemisfério é divido em quatro lobos: lobo frontal, parietal, oc-cipital e temporal. O lobo frontal e o parietal são divididos pela fissura central, e o lobo temporal é delimitado pela fissura lateral. A divisão entre o lobo parietal e occipital não é tão definida, portanto o lobo occipital fica na parte de trás do cérebro, e o lobo parietal na parte de cima (ATKINSON, 2002). A Figura 2.1 mostra os lobos e suas divisões.
Cada área do córtex é responsável por uma função, por exemplo a área motora primária e a área visual. A área motora primária é a área que controla os movimentos do corpo e fica na frente da fissura central. A área responsável pela visão fica no lobo occipital e é chamada de área visual primária. A Figura 2.2 mostra as regiões da área motora e visual,
CAPÍTULO 2. FUNDAMENTAÇÃO TEÓRICA 16
Figura 2.1: Lobos e fissuras do cerebro.Fonte: Introdução à Psicologia de Hilgard, 13 Edição, pag. 68.
entre outras. Quando existe estimulação elétrica nos pontos, existe uma ação direta no corpo. Por exemplo pontos específicos do córtex motor que quando estimulados podem mexer o membro do ponto estimulado (ATKINSON, 2002).
CAPÍTULO 2. FUNDAMENTAÇÃO TEÓRICA 17
2.2
Aquisição de sinais
A aquisição da atividade cerebral pode ser feita por métodos invasivos ou não-invasivos. Métodos invasivos necessitam de cirurgia para colocação de sensores diretamente na su-perfície do córtex. Como existe contato direto dos eletrodos com o córtex, esse método obtém um sinal que não possui muitos ruídos. Porém possui um custo mais alto e com chances de problemas como biocompatibilidade dos eletrodos (BARBOSA, 2012; GAR-CIA, 2013). Métodos não-invasivos são mais comuns, não necessitando de cirurgias, pois obtêm a atividade cerebral através do couro cabeludo. O sinal proveniente desses métodos geralmente são ruidosos, porém tem um custo menor e não corre riscos de saúde como no caso dos métodos invasivos.
Para o projeto foi escolhido a eletroencefalografia (EEG), que é um método não-invasivo usado na maioria dos trabalhos. O EEG consiste em sensores colocados sobre o couro cabeludo para medir o potencial elétrico médio de um conjunto de neurônios situados no córtex (ATKINSON, 2002). Esse método possui um custo baixo se comparado a outros métodos, além de possuir portabilidade e precisão temporal (BARBOSA, 2012; SAMADI; DALIRI, 2014).
O EEG varia conforme o estado emocional da pessoa. Uma das mudanças mais visíveis é a mudança na frequência do sinal, pois existe uma relação entre as frequências e o estado cerebral da pessoa. A mudança na frequência é mais visível nos estágios de sono. Existem faixas de frequências básicas do EEG que são: Delta, Teta, Alfa, Beta e Gama (BARBOSA, 2012).
As faixas mais lentas são Delta (1 a 4 Hz) e Teta (4 a 8 Hz), e estão relacionadas ao sono não-REM, e a faixa delta com o sono profundo. Alfa tem a faixa de 8 a 13 Hz e está relacionada com o relaxamento e sonolência. Dentro da faixa alfa existe um ritmo conhecido como Mu, que pode variar entre 8 e 11 Hz. Está relacionada ao córtex motor e possui uma característica deste que é a presença de uma fase rápida negativa e uma positiva mais lenta. (BARBOSA, 2012).
Por fim existem os ritmos de maior frequência e mais rápidos que são Beta (13 a 30 Hz) e Gama (acima dos 30 Hz). A presença dessas bandas é consequência de atividades moto-ras, tarefas cognitivas complexas e atividades que exigem alta concentração(BARBOSA, 2012).
Uma característica dessas faixas de frequência é o fato de ritmos mais lentos terem potenciais mais elevados por conta de uma maior sincronização. Enquanto ritmos mais rápidos terem potenciais mais baixos por conta de uma baixa sincronização da atividade cerebral(BARBOSA, 2012).
CAPÍTULO 2. FUNDAMENTAÇÃO TEÓRICA 18
2.3
Pré-processamento
O pré-processamento prepara o sinal para facilitar o processo de classificação, dimi-nuindo a influência de ruídos e artefatos no sinal. O sinal que é obtido pode possuir muitas interferências internas e externas, que podem ser tratadas por meio de filtros e/ou métodos estocásticos.
Interferências externas podem ser ruídos da rede elétrica, mal funcionamento ou pro-blemas com o equipamento, entre outros. Ruídos internos são resultados de atividades cerebrais diferentes das de interesse que afetam o sinal obtido na aquisição (SILVA, 2016).
2.4
Extração de características
Para usar a EEG como fonte de informação para uma BCI, são usados padrões dife-rentes no sinal de acordo com o processo fisiológico usado. Os padrões são usados para extração de característica e classificação da BCI. A extração de característica procura encontrar o padrão da atividade cerebral do usuário e faz parte do treinamento para o controle do BCI.
Dentre os padrões da atividade cerebral, podem ser citados o potencial visual evocado (VEP, do inglês visual evoked potentials), potencial cortical lento (SCP, do inglês slow cortical potential ), P300 e ritmos Mu e beta (BARBOSA, 2012).
2.4.1
Visual Evoked Potential
O potencial visual evocado pode ser transitório (TVEP, do inglês transient visual evoked potentials) ou em estado de equilíbrio (SSVEP, do inglês steady state visual evoked potentials). Os transitórios são gerados em resposta a estímulos visuais para estimar a direção do olhar da pessoa. Já o estado de equilíbrio é quando a frequência de estímulo é maior que 6 Hz, consistindo em um sinal periódico contendo as componentes harmônicas da frequência de estímulo (GENTILETTI, 2009). O VEP foi usado no trabalho de Vidal em que foi registrado o VEP da consequência de estímulos visuais com frequências distintas (VIDAL, 1973). A frequência do estímulo escolhido ficaria sincronizada com o EEG da pessoa determinando a direção do olhar (BARBOSA, 2012; WOLPAW, 2002).
2.4.2
Slow Cortical Potential
O SCP é um potencial de baixa frequência gerado no córtex cerebral com períodos de oscilação entre 0,5 s e 10,0 s. O SCP negativo é associado a movimentos e outras funções que envolvem ativação cortical. Por outro lado, o positivo é associado à ativação cortical reduzida (BARBOSA, 2012; WOLPAW, 2002). Muitos trabalhos demonstraram que é
CAPÍTULO 2. FUNDAMENTAÇÃO TEÓRICA 19
possível que uma pessoa consiga controlar seu SCP, porém é preciso um extensivo treina-mento (GENTILETTI, 2009). Apesar do treinatreina-mento e das lentas alterações limitarem o projeto, o SCP não depende de estímulos, aumentando o leque de aplicações, já que a pessoa não precisa responder a estímulos (BARBOSA, 2012).
2.4.3
P300
O P300 tem relação com os potenciais relacionados a eventos (ERP, do inglês event related potentials) com latências maiores que 100 ms (GENTILETTI, 2009). O P300 tem seu nome por ser um potencial positivo que surge após 300 ms que acontece com estímulos que tem certo grau de novidade ou significância. A expectativa é um fator importante, pois o P300 se torna proeminente apenas nas repostas induzidas desejadas ou que são de alguma forma novidade. Tem a vantagem de não ser necessário treinamento, pois trata-se de uma resposta natural do cérebro, mas tem a desvantagem de depender da atenção visual do usuário (BARBOSA, 2012; GENTILETTI, 2009; WOLPAW, 2002).
2.4.4
Ritmos Mu e Beta
Os ritmos Mu e Beta são influenciados por movimentos, sejam eles reais ou imaginários. Na presença de movimento ou da preparação do mesmo, a potência dos ritmos é reduzida por uma dessincronização na atividade neuronal. Como a dessincronização é ligado ao evento, esse comportamento é chamado de ERD (do inglês event-related desynchroniza-tion). No fim do movimento executado, seguido por relaxamento, ocorre o inverso, ou seja, a sincronia da atividade neuronal gerando um aumento dos ritmos Mu e Beta, o qual é chamado ERS (do inglês, event related synchronization) (BARBOSA, 2012; WOLPAW, 2002).
Esse padrão ERS também pode ser encontrado como tarefas mentais (MT, do inglês mental tasks) que tem por base a classificação de padrões registrados pelo EEG espontâneo dentro de diferentes tarefas, as quais também podem ser tarefas mentais não motoras como tarefas matemáticas, de linguagem e musicais (BARBOSA, 2012; GENTILETTI, 2009). O que mais chama a atenção desse padrão é a possibilidade de utilizar a imagética motora (simulação mental do movimento do membro sem ativação muscular) como fonte de informação, pois pode ser usada a lateralização das funções cerebrais, a qual explica que o hemisfério direito do cérebro controla o lado esquerdo do corpo e o hemisfério esquerdo comanda o lado direito (BARBOSA, 2012).
2.5
Classificação
Após feito o treinamento com o usuário, obtêm-se dados com as características extraí-das. Esses dados servem para "alimentar"o classificador, afim de que ele possa utilizar os
CAPÍTULO 2. FUNDAMENTAÇÃO TEÓRICA 20
dados para encontrar as características no sinal EEG. O classificador analisa amostras do sinal para decidir a ação ou o comando a ser executado.
Para uma pessoa qualquer, reconhecer um padrão parece uma atividade trivial. Porém reconhecimento de padrões não é uma tarefa fácil para máquinas, mas existem alguns algoritmos que geralmente são usados para esse fim. Um algoritmo muito usado para a classificação é a máquina de vetor de suporte (SVM, do inglês Support Vector Machine).
2.5.1
Support Vector Machine
O SVM é uma técnica que utiliza funções lineares para distinguir classes, construindo hiperplanos que maximizam as margens entre as classes. Por meio de dados obtidos por um conjunto de treinamento contendo as classes categorizadas, o SVM é capaz de atribuir uma das categorias para novos exemplos (SILVA, 2016). O funcionamento do SVM é mostrado na Figura 2.3.
Figura 2.3: Funcionamento do SVM e seu hiperplano.
Apesar do SVM utilizar funções lineares, são raros os casos linearmente separáveis. Portanto para casos não-lineares mapeiam-se os dados de entrada para um espaço com alta dimensionalidade para que seja possível a separação linear dos conjuntos. A função responsável por essa separação é denominada kernal (SILVA, 2016).
O SVM foi inicialmente projetado para problemas binários, ou seja, para problemas com duas classes. Porém existem duas variações para dar suporte a múltiplas classes, sendo elas a one-versus-rest e a one-versus-one (SILVA, 2016).
CAPÍTULO 2. FUNDAMENTAÇÃO TEÓRICA 21
No caso do one-versus-rest constrói-se um número N de classificadores para um pro-blema com o mesmo número N de classes. É feito um classificador que difere uma das classes de todas as outras, por isso são necessários N classificadores. A segunda variação, a one-versus-one, cria um classificador binário entre todas as classes, resultando em número NxN de classificadores (SILVA, 2016).
2.6
Aplicações
A aplicação de uma BCI envolve a ação do sistema, sendo a finalidade da criação do sistema. No trabalho (GEORGE, 2014) é possível ver um sistema com BCI que controla uma luva para movimentar a mão, o qual pode ser usado para a reabilitação do membro. O trabalho (JANG; LEE; LEE, 2014) desenvolveu um sistema para controle de um robô usando movimentos como piscar os olhos e o movimento do pescoço, com enfoque na aplicação de auxílio para pessoas com dificuldades motoras.
Para a mobilidade, muitas pesquisas se concentraram em controlar cadeiras de rodas. No trabalho (GENTILETTI, 2009) foi criado um ambiente virtual para simulação do movimento da cadeira de rodas, evitando assim perigos de uma aplicação física como batidas ou lesões. O trabalho usou o padrão P300 para controlar a cadeira. Uma tela mostra as opções de movimento do cadeira, entre outras opções, e através da visão do usuário, era possível encontrar qual opção era a escolhida. Outro monitor mostrava o caminho que a cadeira fazia. Duas pessoas saudáveis fizeram testes com o sistema e conseguiram dirigir a cadeira de rodas virtual de forma adequada.
Já em (DIEZ, 2012), uma cadeira de rodas real é controlada, usando o padrão SSVEP, usando um estímulo visual em cada comando. Ao usuário olhar o comando pretendido, o estímulo afeta o comportamento das ondas cerebrais fazendo com que a cadeira ande para a direção escolhida pelo usário. Quinze pessoas participaram dos testes e treze dos voluntários conseguiram controlar a cadeira. O padrão escolhido causou um certo desconforto pelos estímulos luminosos.
No trabalho (LEEB, 2007) a cadeira de rodas é controlada por um usuário usando a imaginação dos movimentos dos pés. A imaginação do movimento dos pés gerava oscilações do ritmo Beta no EEG. Nesse trabalho, foi simulado um ambiente virtual no qual o usuário deveria dirigir a cadeira até avatares do ambiente. O trabalho envolveu um tetraplégico, que foi capaz de controlar a cadeira de rodas no ambiente virtual.
Em (LOPES; PIRES; NUNES, 2012) foi desenvolvida uma cadeira de rodas com um sistema de navegação de apoio, que consiste em um sistema semicontrolado, ou seja, é necessário o usuário e a máquina para o controle. A cadeira possui um sistema de navegação que determina as rotas por meio das escolhas do usuário. As opções estão presentes em um monitor, e o sistema utiliza o padrão P300 para identificar a escolha. São necessários comandos de baixo nível apenas quando há mudanças no cenário ou
CAPÍTULO 2. FUNDAMENTAÇÃO TEÓRICA 22
quando é necessária a tomada de decisão, aliviando o estresse. Os comandos envolvem a concentração do usuário. Onze voluntários participaram dos testes, sendo um dos voluntários com deficiência motora. Todos foram capazes de controlar a cadeira.
No trabalho (REBSAMEN, 2007) é feito algo semelhante ao trabalho (LOPES; PIRES; NUNES, 2012), porém para lugares internos, como em um quarto. É mostrada ao usuário uma tela com opções de lugares para ir, por exemplo, a cama, o escritório, banheiro, entre outras opções. Pela opção escolhida, o sistema da própria cadeira o guia para determinado lugar. O sistema também utiliza o padrão P300 para escolha dos lugares.
Em (MILLÁN, 2009) existe um sistema de controle compartilhado, porém, o usuário comanda a cadeira de rodas em todo tempo e o sistema apenas corrige erros de inter-pretação e caminho. O sistema é controlado com a imaginação do movimento da mão esquerda, associação de palavras e relaxamento. Foi testado em uma cadeira de rodas real em um ambiente com obstáculos. Três pessoas fizeram os testes e todos os três tiveram um certo grau de controle sobre a cadeira de rodas.
Para o presente trabalho, será feito um sistema de controle para um protótipo de cadeira de rodas, que usará o EEG para obtenção dos dados através do Emotiv Epoc. Não foi escolhido um padrão para classificar, pois o trabalho foi mais focado em desenvolver o sistema.
Capítulo 3
Emotiv Epoc
Na década de 70, marcada pelo trabalho pioneiro de Vidal (VIDAL, 1973), a falta de equipamentos ou o custo alto limitavam aplicações para BCI. Porém com o tempo, softwares e hardwares, além de novos conhecimentos sobre a atividade cerebral possibi-litaram o desenvolvimento e a pesquisa na área da BCI (WOLPAW, 2002). Dentre as novas tecnologias, têm-se os capacetes que trabalham com EEG.
Para o desenvolvimento deste trabalho foi escolhido o Emotiv Epoc que conta com 14 sensores para leitura dos sinais e possui uma ótima portabilidade por usar comunicação sem fio para a base de processamento. A Figura 3.1 mostra o capacete, um componente USB (Universal Serial Bus) que recebe os sinais mandados e os sensores que são acoplados nos slots do capacete.
Figura 3.1: Capacete Emotiv Epoc.
Para a utilização é preciso molhar os feltros junto aos sensores com uma solução salina que facilita a obtenção da atividade cerebral de neurônios. Os sensores captam a atividade de vários neurônios juntos em cada ponto dos sensores.
A localização dos sensores pode ser dada pelo sistema internacional 10-20 e o nome de cada ponto é mostrado na Figura 3.2. O sistema internacional 10-20 é um padrão esta-belecido pela federação internacional de eletroencefalografia e neurofisiologia clínica que
CAPÍTULO 3. EMOTIV EPOC 24
determina eletrodos com números pares no hemisfério direito do cérebro e os números ím-pares no hemisfério esquerdo. As letras são colocadas de acordo com as áreas anatômicas, sendo o significado de F frontal, C central, P parietal e O occipital (FARIA, 2014).
Figura 3.2: Sistema Internacional 10-20.
3.1
Emotiv Xavier Control Panel
O capacete possui o software chamado Emotiv Xavier Control Panel que auxilia na utilização e apresenta aplicações para usar o capacete, tais como qualidade do sinal, detecção de expressão facial, verificação de estado emocional, entre outras.
A página inicial do software tem a finalidade de mostrar a qualidade do sinal de cada um dos sensores do capacete por meio de cores. Segundo a demonstração do software, o melhor caso seria a cor verde e o pior caso a cor vermelha. A Figura 3.3 mostra a tela inicial do software e as cores indicativas em cada eletrodo. Caso não exista sinal no capacete, o círculo do eletrodo em questão ficaria com a cor preta.
Na parte de detecções do software temos: Mental Commands, Facial Expressions, Performance Metrics e Inertial Sensors.
A área do Facial Expressions procura detectar expressões faciais do usuário e faz com que um avatar faça as mesmas expressões do usuário. A Figura 3.4 mostra a janela da
CAPÍTULO 3. EMOTIV EPOC 25
Figura 3.3: Tela do software Emotiv Xavier Control Panel inicial demonstrando a quali-dade de cada um dos eletrodos.
aplicação. Existem alguns controles ao lado direito para controlar a sensibilidade de cada uma das ações de expressão.
Figura 3.4: Tela da aplicação Facial Expressions do software Emotiv Xavier Control Panel.
CAPÍTULO 3. EMOTIV EPOC 26
Performance Metrics analisa a atividade cerebral com o intuito de detectar estados mentais como frustação, engajamento, foco e meditação. A aplicação fabrica um gráfico com a variação de cada sensação. A Figura 3.5 mostra a janela da aplicação.
Figura 3.5: Tela da aplicação Performance Metrics do software Emotiv Xavier Control Panel.
A aplicação Inertial sensors tem por objetivo usar o mouse do computador por meio do movimento da cabeça. O Emotiv Epoc possui sensores para identificar rotação do capacete, portanto, o mouse responderá relativamente ao movimento da cabeça do usuário. A janela da aplicação é mostrada na Figura 3.6.
Uma das aplicações mais interessantes é o Mental Commands, que permite o controle de um objeto virtual através da atividade cerebral do usuário. Essa aplicação associa padrões cerebrais com comandos para mover um cubo virtual. É registrado um treino durante alguns segundos e, por meio do comportamento nesse tempo, são extraídas as características da atividade cerebral. Conforme o programa as classifica por meio das características o cubo pode se mover. Quanto mais comandos, mais difícil se torna o controle do cubo. A Figura 3.7 mostra a janela da aplicação e o display do cubo.
Apesar de todas as funcionalidades, foi utilizado apenas a aplicação Mental Commands no trabalho, com o intuito de extrair e classificar os dados e treinar os usuários.
CAPÍTULO 3. EMOTIV EPOC 27
Figura 3.6: Tela da aplicação Inertial Sensors do software Emotiv Xavier Control Panel.
Figura 3.7: Tela da aplicação Mental Commands do software Emotiv Xavier Control Panel.
3.2
Aplicações com Emotiv Epoc
Muitos pesquisadores usaram o Emotiv Epoc em suas pesquisas para vários fins. Todas as pesquisas mencionadas a seguir utilizam o Emotiv Epoc para a aquisição de sinais.
CAPÍTULO 3. EMOTIV EPOC 28
No trabalho (SAMADI; DALIRI, 2014), o autor usa o Emotiv Epoc para controlar um robô LEGO Mindstorms NXT 2.0 para resolver um cubo mágico. O controle é feito pensando no movimento de rotação do cubo. No trabalho (GARCIA, 2013) o autor controla um robô industrial, por meio de expressões faciais e as ações de um cubo virtual 3D. O trabalho (JANG; LEE; LEE, 2014) permite o controle de um robô auxiliador para pessoas que não têm o movimento dos membros. Esse robô é controlado pelo movimento do pescoço e por piscadas dos olhos.
O trabalho (GEORGE, 2014) tem por objetivo um sistema de assistência para reabi-litação do movimento das mãos. O trabalho usa o Emotiv Epoc e um Arduino que ativa um motor que é ligado a uma espécie de luva mecânica.
No trabalho (DKHIL, 2015) é feito um sistema de segurança para carros. O trabalho usa uma câmera inteligente para captar a face e supervisiona o ato de piscar do motorista. Também é utilizado o Emotiv Epoc para para verificar o sinal EEG do motorista.
Os trabalhos (FARIA, 2014) e (KAWALA-JANIK, 2015) controlam softwares por BCI utilizando Emotiv Epoc. O trabalho (FARIA, 2014) criou um jogo tipo Pong e um reprodutor de música controlados pela BCI. O trabalho (KAWALA-JANIK, 2015) já foi comentado na Seção 2.6.
Capítulo 4
Sistema Desenvolvido
A ideia parte de montar o modelo prático para provar o conceito de um sistema que utiliza BCI. Para o sistema é necessário a aquisição dos sinais, o pré processamento, a classficação, e a partir da classificação mandar comandos para uma cadeira de rodas.
O sistema foi desenvolvido utilizando o Emotiv Epoc para adquirir a atividade cerebral. Também foi utilizado a aplicação Mental Commands do software Emotiv Xavier Control Panel que é capaz de classificar os sinais e também pode realizar o treinamento. A classificação é feita pelo software que movimenta o objeto virtual da aplicação conforme o comando detectado.
Usando o movimento do objeto virtual encontrado no Mental Commands, foi feito um programa em Python com o objetivo de detectar o movimento e enviar o comando para o microcontrolador. Para rodar os programas foi utilizado um Laptop ASUS K46CB com processador Intel Core i5 e 6 Gb de memória RAM.
A comunicação entre o Python e o microcontrolador foi feita por meio de comunicação Bluetooth, vide Seção 4.2. O microcontrolador por sua vez, recebe o comando aciona as saídas para controlar os motores do protótipo da cadeira. O microcontrolador escolhido para o projeto foi o ATmega328 da placa Arduino Uno, que possui um baixo custo e pode facilmente controlar os motores do protótipo.
A Figura 4.1 mostra uma mapa conceitual com explicações sobre cada parte do sistema e como elas se conectam.
O protótipo da cadeira de rodas usado, foi desenvolvido por um aluno da FT mostrado no trabalho (NAGHADA, 2015). O protótipo é mostrado na Figura 4.2.
A cadeira possui dois motores DC, os quais são ativados de maneira diferente, para cada movimento. Foi nomeado motor A, o motor que está ao lado direito da cadeira, e motor B, o motor ao lado esquerdo. Para o movimento da frente, são ativados os dois motores em um único sentido. No movimento para trás são ativados os dois motores no sentido contrário. O movimento da direita é ativado o motor B, e para o movimento da esquerda é acionado o motor A. A Figura 4.3 exemplifica os movimentos da cadeira.
CAPÍTULO 4. SISTEMA DESENVOLVIDO 30
Figura 4.1: Mapa conceitual do sistema.
Figura 4.2: Protótipo da cadeira de rodas.
Neste trabalho optou-se por desenvolver um sistema de controle em um protótipo de cadeira de rodas por três motivos. Primeiramente é possível validar o sistema em um protótipo, segundo por razão de custo e terceiro pela segurança. A utilização do protótipo evita a chance de acidentes com o usuário.
CAPÍTULO 4. SISTEMA DESENVOLVIDO 31
Figura 4.3: Movimentos da cadeira e acionamento dos motores.
4.1
Python
Como foi decidido usar a ferramenta Mental Commands, era necessário que fosse feito algum programa que pudesse ler os movimentos do objeto virtual que indica o movimento classificado. Foi escolhido usar a linguagem Python para desenvolver o programa, pois já possui bibliotecas para trabalhar com imagens e é uma linguagem de fácil acesso.
O programa feito faz uma varredura na imagem a cada 100 ms. As varreduras feitas nos eixos x e y acham o local do objeto e enviam um sinal de comando para o microcontro-lador através de uma comunicação Bluetooth. A varredura analisa os pixels da imagem, passando em ordem crescente as coordenadas de cada pixel da imagem. A ordem do mapa de pixels segue da esquerda para a direita e de cima para baixo. A análise feita diferencia a cor do fundo das cores do objeto. As variáveis PX e PY assumem o valor do último ponto encontrado durante a varredura, como mostrado na Figura 4.4.
O programa converte o mapa de pixels para um plano cartesiano e é feita uma correção para conseguir a coordenada do ponto central do objeto.
Para verificar a direção certa do objeto, foi preciso comparar qual dos dois pontos tinha maior valor em módulo. Caso o módulo de PX seja maior que o módulo de PY, o objeto se encontra no eixo X. Se PX for menor que zero, o objeto está à esquerda. Se PX for maior que zero, o objeto está à direita. Caso o módulo de PY seja maior que o módulo de PX, o objeto se encontra no eixo Y. Se PY for menor que 0, o objeto está abaixo. Se
CAPÍTULO 4. SISTEMA DESENVOLVIDO 32
Figura 4.4: Varredura de imagem feita pelo programa em Python.
PY for maior que 0, o objeto está acima. Também foi estabelecido um limite mínimo do movimento do objeto para ser considerado um comando. Após a verificação, é enviado o comando conforme o movimento do objeto.
A Figura 4.5 mostra um fluxograma do programa feito em Python.
4.2
Bluetooth
Foi preciso comunicar o programa feito em Python com o programa feito para o Ar-duino. A comunicação foi feita usando o bluetooth do Laptop que executava os programas Mental Commands e o programa em Python e um módulo HC05 GW-040 ligado ao Ar-duino, como mostrado na Figura 4.6. O módulo bluetooth tinha apenas a função de repassar o código recebido do programa Python para o Arduino.
O módulo possui 6 pinos: EN, VCC, GND, TXD, RXD, STATE. Os pinos VCC e GND são usados para alimentar o módulo. O pino EN quando deixado em um estado baixo, ou seja, ligado ao GND, desabilita os módulos. Os pinos TXD e RXD servem para comunicação. O pino TXD transmite os dados e o pino RXD tem como função receber os dados. O pino STATE indica se a conexão foi feita com sucesso tendo um nível alto no pino.
Existe um botão no módulo que é usado para mudar o modo de trabalho. Os modos de trabalho são AT e BT. O modo BT faz com que o módulo trabalhe normalmente para receber e transmitir dados. O modo AT tem como objetivo configurar o módulo de acordo com as preferências do usuário. Por exemplo, caso o usuário queira mudar o nome ou o código para pareamento do dispositivo, é necessário entrar em modo AT para configurar
CAPÍTULO 4. SISTEMA DESENVOLVIDO 33
Figura 4.5: Fluxograma do programa feito em Python.
o módulo e trocar os campos requeridos. A Figura 4.7 mostra o módulo, os pinos e o botão para mudar o modo de trabalho.
CAPÍTULO 4. SISTEMA DESENVOLVIDO 34
Figura 4.6: Esquema da comunicação Bluetooth.
Figura 4.7: Foto do módulo Bluetooth HC05 GW-040 usado, os pinos e o botão para mudar o modo de trabalho.
4.3
Arduino e o circuito para os motores
Foi feito um programa com o Arduino que ao receber o comando enviado pelo programa em Python através da comunicação Bluetooth, executa um movimento. O Arduino foi ligado a uma ponte H que é usada para controlar motores de corrente contínua.
CAPÍTULO 4. SISTEMA DESENVOLVIDO 35
O programa verifica o comando enviado pelo Bluetooth, e a cada comando específico é necessário ativar as portas do microcontrolador de forma que controle o sentido e quais motores serão ativados.
Os dois motores (motor A e B) se ligam a portas específicas do Arduino para serem ativados. Para controlar o sentido da rotação dos motores é necessário inverter os polos da alimentação do motor, o que é feito pela ponte H através de quatro contatos que se fecham, invertendo o caminho que a corrente elétrica percorre. Portanto, para controlar o sentido do motor foram necessárias outras duas portas para cada motor, nomeadas como A1 e A2 para o motor A, e B1 e B2 para o motor B. A Figura 4.8 mostra a ligação da ponte H e seu funcionamento.
Figura 4.8: a)Esquemático dos motores MA e MB. b)Funcionamento da ponte quando acionada a porta 1 ou a 2.
Sendo assim, é necessário ativar A1 e B1 quando o comando é para que o protótipo avance, ou seja, movimente para a frente, e A2 e B2 para o comando que o protótipo retrocede, ou seja, movimento para trás. Para o caso de uma curva, o protótipo foi projetado que a cadeira pudesse apenas girar ligando apenas um dos motores, e após isso a cadeira avançasse ou retrocedesse. A Figura 4.3 já mostrada exemplifica o movimento da cadeira. Ajustando o ângulo para onde o usuário desejar ir, é necessário apenas seguir em frente. O foco está em testar os quatro movimentos feitos e a dificuldade para controlá-los. A Figura 4.9 mostra um fluxograma do programa feito para o Arduino. O fluxograma também mostra as portas acionadas para cada um dos movimentos.
CAPÍTULO 4. SISTEMA DESENVOLVIDO 36
Capítulo 5
Metodologia
O principal objetivo do trabalho é o desenvolvimento do sistema para que seja possível o controle do protótipo por meio da EEG. Como parte do caminho para chegar até o controle do sistema desenvolvido, é possível dizer que cada parte do sistema faz o papel de uma parte da BCI. São eles:
• O capacete Emotiv Epoc é responsavel pela aquisição dos sinais.
• O software Mental Command faz o papel do pré-processamento e do classificador. • O programa em Python identifica a classificação do software e transforma em
co-mandos para enviar pelo Bluetooth.
• O módulo Bluetooth tem por função apenas a comunicação para levar os comandos para o microcontrolador.
• O microcontrolador é a aplicação, responsável por controlar o protótipo da cadeira de rodas.
A Figura 5.1 mostra a sequência das partes citadas acima.
Uma prova de conceito utiliza um modelo prático para comprovar o conceito teórico. Portanto para provar o conceito de que é possível controlar a cadeira de rodas através de um sistema que utiliza BCI foi construído o modelo prático como mostrado acima.
Após completo o modelo prático, foi realizado testes para verificar a resposta do sis-tema através de imagens e dois testes com voluntários para ver a possibilidade e a facili-dade do controle.
Para um dos treinamentos, cada movimento é associado a sentimentos bons (como andar de bicicleta ou tocar algum instrumento) e ruins (como comidas ou experiências que o voluntário não goste). Para o outro treinamento cada movimento é associado ao movimento das mãos.
CAPÍTULO 5. METODOLOGIA 38
Capítulo 6
Resultados e Discussões
6.1
Movimentos da cadeira
Para testar como a cadeira responde a cada um dos movimentos foram usadas imagens pré-feitas para alimentar o programa em Python, com movimentos para todos os lados e com diferentes intensidades para mover a cadeira. O protótipo se moveu conforme as imagens passavam, como era esperado do sistema.
Para outro teste mecânico, foi feita uma sequência de imagens para testar o protótipo por um trajeto dentro do próprio Laboratório de Sistemas Embarcados. As imagens estavam atribuídas a comandos do computador para que pudesse ser controlado pelo teclado. A Figura 6.1 mostra uma foto da movimentação do protótipo durante o teste.
O programa em Python feito respondeu bem a todos os testes. Os comandos acionados pelo Arduino funcionaram bem de modo que foi possível controlar a cadeira para fazer a trajetória pelo laboratório. A trajetória foi feita sem dificuldades, validando a parte do Python e Arduino do sistema.
6.2
Dificuldade do controle
Obter um resultado pela classificação não foi possível por ser usado o Emotiv Xa-vier Control Panel como sistema de classificação. Portanto, observou-se a dificuldade de controlar o objeto do software. Foi feito um treinamento para controlar um movimento apenas. Caso fosse possível controlar, aumentaria mais um movimento a cada etapa.
Duas pessoas se voluntariaram para participar do treinamento e tentar controlar o protótipo. O voluntário associado aos sentimentos teve um bom resultado quando foi trabalhado apenas um movimento. Quando foi passado a dois, não foi possível controlar totalmente a cadeira. Foram treinados o movimento para frente e para a direita, e pediu-se que o voluntário fizespediu-se um percurso em torno do laboratório, porém não foi possível fazer o caminho inteiro pela dificuldade encontrada em controlar dos dois movimentos.
CAPÍTULO 6. RESULTADOS E DISCUSSÕES 40
Figura 6.1: Foto sequencial do protótipo no teste do trajeto.
O segundo voluntário teve um bom resultado ao controlar com a imaginação do movi-mento das mãos, porém foi um teste diferente onde ele devia apenas girar a cadeira para a direita ou para a esquerda. Foi conseguido o controle até dois movimentos, pois para um terceiro movimento teria de ter o movimento de outro membro.
Os resultados eram totalmente práticos, e nos dois casos, foi possível somente controlar até 2 movimentos. A dificuldade aumenta muito a cada movimento que é adicionado, pois é preciso ter um sinal claramente diferente de outro para classificar.
Não foi possível realizar muitos testes para melhorar o controle dos voluntários, pois tivemos problemas com o capacete.
6.3
Sistema em Geral
É possível controlar o protótipo da cadeira de rodas através da aplicação Mental Com-mands. Porém, é necessário muito treinamento para que o usuário consiga dominar o uso da aplicação. Tendo o domínio do uso da aplicação, o sistema Python-Arduino faz com sucesso o papel de classificar o movimento do objeto virtual realizado e acionar os motores da cadeira.
É uma alternativa para a motivação apresentada no trabalho, pois propõe um sis-tema que pode ser controlado apenas pela atividade cerebral. A utilização do protótipo
CAPÍTULO 6. RESULTADOS E DISCUSSÕES 41
demonstra e simula o uso do sistema em uma cadeira real e propõe uma forma para a locomoção para o usuário com dificuldades motoras.
Os custos mais altos do sistema são o valor do Emotiv Epoc que está em torno de U$ 300, além do valor do laptop. Porém, o laptop trabalha como um computador ou laptop que o usuário pode já possuir. Os custos do circuito da ponte H, motores e do Arduino estão abaixo de R$ 150,00. Contudo, a mudança para uma cadeira de rodas elevaria o preço do sistema final.
O trabalho foi planejado de modo que o sistema não utilizasse estímulos visuais para evitar necessitar de monitores para controlar o protótipo, ou mesmo para o caso do con-trole de uma cadeira de rodas. Os estímulos visuais dependem do foco no monitor e isto poderia atrapalhar para controlar livremente a cadeira. E diferente de outros sistemas, utilizando a aplicação Mental Commands é possível treinar o usuário de modos diferentes como o caso de sensações, ou tentando utilizar a imagética motora. Isto torna o treina-mento quanto ao padrão mais flexível e possibilidade da preferência de como controlar por parte do usuário.
O sistema em geral demonstra um protótipo para um sistema com uma cadeira de rodas e que pode se tornar um possível produto. O produto pode ser melhor trabalhado e testado com diferentes possibilidades para obter um custo reduzido e com software e hardware aberto.
Capítulo 7
Conclusões
Um sistema utilizando BCI é de grande importância para pessoas que de algum modo perderam os movimentos do corpo ou membros. Portanto, o desenvolvimento feito aqui, embora não feito extatamente em uma cadeira de rodas, demonstra que é possível desen-volver hardwares e veículos de locomoção que podem ser usadas pelas pessoas que sofrem com tal limitação.
O desenvolvimento de uma BCI depende de muitos conhecimentos como neurologia, eletrônica, programação, circuitos microcontrolados e eletroencefalografia. Foi feito um estudo em muitos trabalhos e artigos e foi possível ter uma idéia do desenvolvimento de cada parte do sistema.
Houve dificuldades para ter acesso aos dados da atividade cerebral do Emotiv Epoc, pois era necessário ter o kit de desenvolvimento, o SDK (Software Development Kit ) Research Edition. Infelizmente não foi possível adquirir o kit e desenvolver um sistema de classificação.
No entanto, é possível utilizar o Emotiv Xavier Control Panel como um sistema de classificação e treino para um usuário utilizar o sistema. Foi preciso fazer o programa em Python para detectar a classificação do software através da imagem do movimento do objeto virtual e se comunicar com o microcontrolador.
A comunicação entre Python e microcontrolador feita por Bluetooth oferece liberdade para o protótipo rodar sem estar ligado fisicamente por meio de cabos. O microcontrolador Arduino se tornou uma alternativa para receber os dados do módulo Bluetooth usado e o circuito com uma ponte H para controlar a direção em que o carrinho deveria percorrer;
O trabalho passou por grandes dificuldades como atraso na entrega do Emotiv Epoc, a falta de acesso aos dados, dificuldades com o hardware e corrosão dos sensores pela solução salina, entre outros. Porém, os testes com o sistema montado com o protótipo, o programa Emotiv Xavier Control Panel e a programação em Python e Arduino, mostram que o sistema mecânico funciona.
CAPÍTULO 7. CONCLUSÕES 43
O controle de uma BCI depende de muito treinamento, então não foi possível treinar tempo suficiente para o controle de quatro movimentos. Além da dificuldade de aprender a controlar, houve problemas com o capacete, o que prejudicou os testes com os voluntários. Portanto, para que seja possível controlar a cadeira, seria preciso dominar os movi-mentos do objeto através do capacete. Caso a pessoa consiga controlar o objeto virtual do software Emotiv Xavier Control Panel, ela seria capaz de controlar a cadeira.
O objetivos do trabalho é ter uma BCI, visando o EEG como entrada e a movimentação da cadeira como saída. Tivemos sucesso em criar um sistema em que fosse possível comunicar a entrada de dados do capacete através do Emotiv Xavier Control Panel até a comunicação entre o Python e o Arduino. Portanto é possível movimentar a cadeira através deste, sendo necessário somente o treinamento do usuário e um possível domínio da aplicação Mental Commands para controlar a cadeira de rodas adequadamente.
7.1
Trabalhos Futuros
Este projeto foi um trabalho pioneiro nesta linha de pesquisa na FT, e será ainda trabalhado por outros alunos. Possui potencial para trabalhos futuros e se torna uma nova área que pode ser aproveitada dentro do Laboratório de Sistemas Embarcados. Para os trabalhos futuros podem ser desenvolvido sistemas que utilizam a interface de uma forma mais completa. Trabalhos que podem ser feitos são:
• Testes com voluntários usando o protótipo deste projeto, com o objetivo de conseguir o controle dos quatro movimentos.
• Desenvolvimento de um capacete com custos mais baixos e o processamento do sinal obtido.
• Desenvolvimento de um sistema que utiliza aprendizado de máquina para extração de características e classificação, como o caso do SVM.
• Desenvolvimento de um sistema focando a aplicação para uma cadeira de rodas, com treinamento para os quatro movimentos. Caso utilizado um padrão para imagética motora, criar uma metodologia para auxílio ao treino como no trabalho (HWANG; KWON; IM, 2009).
Referências Bibliográficas
ATKINSON, R. L. e. a. Introdução à Psicologia de Hilgard. 13. ed. [S.l.]: Artmed Editora S.A., 2002. 792 p. ISBN 85-7307-913-4.
BARBOSA, A. F. Um sistema inteligente de classificação de sinais de EEG para Interface Cérebro-Computador. [S.l.], 2012.
DIEZ, P. F. e. a. Commanding a robotic wheelchair with a high-frequency steady-state visual evoked potential based brain-computer interface. In: Medical Engineering & Physics Volume 35. ELSEVIER, 2012. p. 1155–1164. Disponível em: <http://www.sciencedirect.com/science/article/pii/S1350453312003335>.
DKHIL, M. B. e. a. A new approach for a safe car assistance system. In: 4a IEEE International Conference of Adcanced Logistics and Transport. IEEE, 2015. p. 217–222. ISBN 978-1-4799-8400-8. Disponível em: <http://ieeexplore.ieee.org/document/ 7136627/>.
FARIA, T. J. F. d. S. Interfaces Cérebro-Computador – Utilização do Emotiv EPOC para controlar software lúdico. [S.l.], 2014.
GARCIA, A. P. e. a. EEG control of an industrial robot manipulator. In: 4th IEEE International Conference of Cognitve Infocommunications. IEEE, 2013. p. 39–44. ISBN 978-1-4799-1546-0. Disponível em: <http://ieeexplore.ieee.org/document/6719280/>. GENTILETTI, G. G. e. a. Command of Simulated wheelchair on a virtual
environment using a brain-computer interface. In: IRBM Volume 30. ELSEVIER, 2009. p. 218–285. Disponível em: <http://www.sciencedirect.com/science/article/pii/ S1959031809001122>.
GEORGE, K. e. a. EEG control of an industrial robot manipulator. In: International Instrumentation and Measurement Technology Conference. IEEE, 2014. p. 1326–1328. ISBN 978-1-4673-6386-0. Disponível em: <http://ieeexplore.ieee.org/document/ 6860961/>.
HWANG, H.-J.; KWON, K.; IM, C.-H. Neurofeedback-based motor imagery training for brain-computer interface (BCI). In: Journal of Neuroscience Methods. ELSEVIER, 2009. p. 150–156. Disponível em: <http://www.sciencedirect.com/science/article/pii/ S0165027009000454>.
JANG, W.; LEE, S.; LEE, D. Development BCI for Individuals with Severely
Disability using EMOTIV EEG Headset and Robot. In: International Winter Workshop on. South Korea: IEEE, 2014. p. 1–3. ISBN 978-1-4799-2588-9. Disponível em:
<http://ieeexplore.ieee.org/document/6860961/>. 44
REFERÊNCIAS BIBLIOGRÁFICAS 45
KAWALA-JANIK, A. e. a. Game Controller Based On Biomedical Signals. In: 4a IEEE International Conference of Adcanced Logistics and Transport. IEEE, 2015. p. 934–939. ISBN 978-1-4799-8701-6. Disponível em: <http://ieeexplore.ieee.org/ document/7284003/>.
LEEB, R. e. a. Self-Paced (Asynchronous) BCI Control of a Wheelchair in Virtual Environments: A Case Study with a Tetraplegic. In: Computational Intelligence and Neuroscience. [S.l.]: Hindawi Publishing Corporation, 2007.
LOPES, A. C.; PIRES, G.; NUNES, U. Assisted navigation for a brain-actuated intelligent wheelchair. In: Robotics and Autonomous Systems Volume 61. ELSEVIER, 2012. p. 245–258. Disponível em: <http://www.sciencedirect.com/science/article/pii/ S0921889012002072>.
MILLÁN, J. d. R. e. a. Asynchronous Non-Invasive Brain-Actuated Control of an Intelligent Whellchair. In: Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE, 2009. p. 3361–3364. ISBN 978-1-4244-3296-7. Disponível em: <http://ieeexplore.ieee.org/document/5332828/>.
NAGHADA, S. C. Desenvolvimento de um Sistema Eletrônico para Controle de um Protótipo de uma Cadeira de Rodas. Limeira, 2015.
REBSAMEN, B. e. a. Controlling a Wheelchair Indoors Using Thought. In: IEEE Intelligent Systems Volume 22. IEEE, 2007. p. 18–24. ISBN 1541-1672. Disponível em: <http://ieeexplore.ieee.org/document/4136854/>.
SAMADI, H.; DALIRI, M. R. Solve the Rubik’s Cube with Robot Based on Non-Invasive Brains Computer Interfaces. IEEE, p. 1–5, feb 2014. Disponível em: <http://ieeexplore.ieee.org/document/6802558/>.
SILVA, W. M. d. Revisão e comparação de classificadores em um experimento utilizando interface cérebro-computador. Campo Mourão, 2016.
VIDAL, J. J. Toward direct brain-computer communication. In: Annual Review of Biophysics and bioengineering. [S.l.: s.n.], 1973. p. 157–180.
WOLPAW, J. R. e. a. Brain-computer interfaces for communication and control. In: Annual International Conference of the IEEE Engineering in Medicine and Biology Society. ELSEVIER, 2002. p. 767–791. Disponível em: <http: //www.sciencedirect.com/science/article/pii/S1388245702000573>.
