DEPARTAMENTO ACADÊMICO DE ELETROTÉCNICA
LETÍCIA BRAND
PATRÍCIA SOUZA SANTOS
THAIS YURIKO MIDORIKAWA
AQUISIÇÃO E CONDICIONAMENTO DE SINAIS CEREBRAIS POR
ELETROENCEFALOGRAFIA
TRABALHO DE CONCLUSÃO DE CURSO
CURITIBA 2018
PATRÍCIA SOUZA SANTOS
THAIS YURIKO MIDORIKAWA
AQUISIÇÃO E CONDICIONAMENTO DE SINAIS CEREBRAIS POR
ELETROENCEFALOGRAFIA
Trabalho de Conclusão de Curso apresentado ao Departamento Acadêmico de Eletrotécnica da Universidade Tecnológica Federal do Paraná como requisito parcial para obtenção do título de “Bacharel em Engenharia de Controle e Automação – Área de Concentração: Engenharia de Controle e Automação. Orientadora: Prof. Dra. Mariana Antonia Aguiar
Furucho
Coorientador: Prof. Dr. Glauber Gomes de Oliveira Brante
CURITIBA 2018
Aquisição e Condicionamento de Sinais Cerebrais por
Eletroencefalografia
Este Trabalho de Conclusão de Curso de Graduação foi julgado e aprovado como requisito parcial
para a obtenção do Título de Engenheira de Controle e Automação, do curso de Engenharia de
Controle e Automação do Departamento Acadêmico de Eletrotécnica (DAELT) da Universidade
Tecnológica Federal do Paraná (UTFPR). Curitiba, 14 de junho de 2018. ____________________________________ Prof. Paulo Sérgio Walenia, Esp.
Coordenador de Curso Engenharia de Controle e Automação
____________________________________ Prof. Marcelo de Oliveira Rosa, Dr.
Responsável pelos Trabalhos de Conclusão de Curso de Engenharia de Controle e Automação do DAELT
ORIENTAÇÃO
______________________________________ Mariana Antonia Aguiar Furucho, Dra.
Universidade Tecnológica Federal do Paraná Orientadora
______________________________________ Glauber Gomes de Oliveira Brante, Dr.
Universidade Tecnológica Federal do Paraná Co-orientador
BANCA EXAMINADORA
____________________________________ Mariana Antonia Aguiar Furucho, Dra. Universidade Tecnológica Federal do Paraná
_____________________________________ Marcelo de Oliveira Rosa, Dr.
Universidade Tecnológica Federal do Paraná
_____________________________________ Amauri Amorin Assef, Dr.
Universidade Tecnológica Federal do Paraná
BRAND, Leticia; MIDORIKAWA, Thais Y.; SANTOS, Patricia S. Aquisição e Condicionamento de Sinais Cerebrais por Eletroencefalografia. 76 f. Trabalho de Conclusão de Curso – Departamento Acadêmico de Eletrotécnica, Universidade Tecnológica Federal do Paraná. Curitiba, 2018.
Avanços recentes das pesquisas na área de processamento de sinais têm possibilitado o desenvolvimento de novas técnicas de análise de biopotenciais, como os sinais de eletroencefalografia (EEG). Tal evolução permite a criação de novas interfaces cérebro máquina (ICM) capazes de oferecer soluções alternativas que auxiliam pessoas com doenças motoras. Neste contexto, o atual trabalho propõe uma plataforma para a aquisição de sinais EEG e um algoritmo para seu processamento e análise, capaz de identificar se o sinal estudado corresponde a um indivíduo piscando ou com os olhos fechados. A plataforma proposta é baseada no módulo de demonstração ADS1299EEG-FE em conjunto com o Arduino Uno, possibilitando desde a manipulação dos biosinais até o seu envio ao computador. O algoritmo realiza a filtragem digital dos dados recebidos e os analisa nos domínios do tempo e da frequência, viabilizando a identificação dos padrões associados ao movimento ocular. A solução é testada por meio dos sinais de 30 indivíduos disponibilizados no banco de dados da PhysioNet, atingindo uma taxa de acerto de 87% na identificação das piscadas e de 67% na identificação dos indivíduos com os olhos fechados. A partir desses resultados, o atual trabalho propõe a aplicação da solução apresentada em futuros estudos de aquisição de sinais EEG.
BRAND, Leticia; MIDORIKAWA, Thais Y.; SANTOS, Patricia S. Sinal Brain Acquisition and Conditioning by Electroencephalography. 76 f. – Departamento Acadêmico de Eletrotécnica, Universidade Tecnológica Federal do Paraná. Curitiba, 2018.
Recent developments of studies in the area of signal processing have made the development of new techniques of biopotential analysis possible, such as electroencephalography signals (EEG). This evolution allows the development of new brain-machine interfaces (BMI) capable of offering alternative solutions that help people with motor diseases. In this context, the current work proposes a platform for the acquisition of EEG signals and an algorithm for their processing and analysis, capable of identifying if the studied signal corresponds to a subject who is blinking or with closed eyes. The proposed platform is based on the demonstration kit ADS1299EEG-FE together with the Arduino Uno, making it possible from the biosignal manipulation until their sending to the computer. The algorithm performs the digital filtering of the received data and their analysis in the time and frequency domains, making pattern identification related to the ocular movement feasible. The platform is tested through the signals of 30 individuals available in the PhysioNet databank, reaching a success rate of 87% for blinking identification and of 67% for the identification of subjects with closed eyes. From these results, this study suggests the application of the solution presented in future studies of the acquisition of EEG signals.
–
FIGURA 1 Localização dos eletrodos de acordo com o Sistema Internacional 10-10 (azuis e brancos) e 10-20 (apenas azuis). . . 12 –
FIGURA 2 Fluxograma representativo das etapas do trabalho. . . 13 –
FIGURA 3 Padrões de ondas EEG . . . 16 –
FIGURA 4 Esquema da aquisição com derivação monopolar (a) e derivação bipolar (b). . . 18 –
FIGURA 5 Amplificador de ganho diferencial (a) e ganho de modo-comum (b). . . 19 –
FIGURA 6 Esquema do comportamento elétrico entre escalpo e eletrodo com a utilização de pasta condutora. . . 20 –
FIGURA 7 Esquema de conversão analógico-digital. . . 21 –
FIGURA 8 Diagrama de blocos conversor A/D por dupla-rampa. . . 22 –
FIGURA 9 Diagrama de blocos conversor A/D por sigma-delta. . . 22 –
FIGURA 10 Acoplamentos capacitivos em um sistema de aquisição de sinais ECG. . . . 24 –
FIGURA 11 Comparação entre filtros reais e ideais. (a) Filtro PB; (b) Filtro PA; (c) Filtro PF e (d) Filtro RF . . . 26 –
FIGURA 12 Aproximação de Chebyshev Tipo 1 (a) e Tipo 2 (b) para diferentes valores de N. . . 27 –
FIGURA 13 Aproximação de Cauer para N’s diferentes. . . 27 –
FIGURA 14 Comparação das aproximações de Butterworth, Chebyhev Tipo 1, Chebyshev Tipo 2 e Elíptico para N=5. . . 28 –
FIGURA 15 Resposta Filtro Notch com aproximação Chebyshev Tipo 2. (a) atenuação do sinal e (b) fase do sinal . . . 29 –
FIGURA 16 Diagrama de Blocos do Filtro IIR. . . 30 –
FIGURA 17 Diagrama de Blocos do Filtro FIR. . . 31 –
FIGURA 18 Representação do fenômeno de Bells. . . 33 –
FIGURA 19 Oscilação no EEG causada pelo piscar dos olhos. . . 33 –
FIGURA 20 Fluxograma da solução utilizada. . . 35 –
FIGURA 21 Diagrama de blocos do funcionamento do ADS1299. . . 36 –
FIGURA 22 Evaluation Module do ADS1299. . . 37
–
FIGURA 23 Diagrama de blocos da evaluation board do ADS1299EEG-FE (AFE). . . 38 –
FIGURA 24 Conexão entre o Arduino e o ADS1299EEG-FE. . . 40 –
FIGURA 25 Montagem do hardware na protoboard. . . 41 –
FIGURA 26 Realização de testes no hardware montado. . . 42 –
FIGURA 27 Aquisição de onda quadrada simulada pelo ADS1299. . . 43 –
FIGURA 28 Etapas do projeto. . . 44 –
FIGURA 29 Eletrodos da região frontal e pré-frontal. . . 45 –
FIGURA 30 Eletrodos escolhidos para análise da piscada dos olhos. . . 46 –
FIGURA 31 Resposta em frequência do filtro notch em 60Hz. . . 47 –
FIGURA 32 Resposta em frequência de (a) um PF e PB associado e (b) um PA. . . 48 –
FIGURA 33 Sinal filtrado de 0,5 a 30Hz dos 64 eletrodos captados para indivíduo com olhos abertos. . . 50 –
abertos e (b) com olhos fechados. . . 52 –
FIGURA 36 Sinal no tempo filtrado para frequências de 4Hz a 8Hz (a) com olhos abertos e (b) com olhos fechados. . . 53 –
FIGURA 37 Sinal no tempo filtrado para frequências de 8Hz a 13Hz (a) com olhos abertos e (b) com olhos fechados. . . 53 –
FIGURA 38 Sinal no tempo filtrado para frequências de 13Hz a 30Hz (a) com olhos abertos e (b) com olhos fechados. . . 54 –
FIGURA 39 FFT do sinal para a faixa de frequência de 0,5Hz a 30Hz (a) com olhos abertos e (b) com olhos fechados. . . 55 –
FIGURA 40 FFT do sinal para as faixas de frequência de 0,5Hz a 4Hz (a) com olhos abertos e (c) olhos fechados e de 4Hz a 8Hz (b) com olhos abertos e (d) com olhos fechados. . . 56 –
FIGURA 41 FFT do sinal para as faixas de frequência de 8Hz a 13Hz (a) com olhos abertos e (c) olhos fechados e de 13Hz a 30Hz (b) com olhos abertos e (d) com olhos fechados. . . 56 –
FIGURA 42 Sinal no tempo filtrado de 0,5 a 30Hz para a aquisição bipolar dos eletrodos. . . 57 –
FIGURA 43 Sinal no tempo filtrado no intervalo delta para a aquisição bipolar dos eletrodos (a) com olhos abertos e (b) com olhos fechados. . . 58 –
FIGURA 44 Sinal no tempo filtrado no intervalo alfa para a aquisição bipolar dos eletrodos (a) com olhos abertos e (b) com olhos fechados. . . 58 –
FIGURA 45 Espectrograma para indivíduo com olhos abertos (a), (c) e fechados (b), (d). . . 59 –
FIGURA 46 Espectrograma Fp1-F3 para indivíduo com olhos abertos e fechados. . . 60 –
FIGURA 47 Espectrograma Fp2-F4 para indivíduo com olhos abertos e fechados. . . 60 –
FIGURA 48 Espectrograma C3-P3 para indivíduo com olhos abertos e fechados. . . 61 –
FIGURA 49 Espectrograma C4-P4 para indivíduo com olhos abertos e fechados. . . 61 –
FIGURA 50 Fluxograma do algoritmo de identificação EEG. . . 63 –
FIGURA 51 Funcionamento do algoritmo de identificação para o estado de olhos abertos. . . 64 –
FIGURA 52 Vista superior e inferior do ADS1299EEG-FE e conectores J3, J4 e J6. . . 72 –
FIGURA 53 Esquema elétrico de conexão do J2, J3 e J4 do ADS1299EEG-FE. . . 73 –
FIGURA 54 Esquema elétrico do ADS1299EEG-FE. . . 74 –
A/D Analógico/Digital AFE Analog Front-End
BCI Brain-Computer Interface
BIBO Bounded Input, Bounded Output
CI Circuito Integrado
CMRR Common-Mode Rejection Ratio
DFT Discrete Fourier Transform
ECG Eletrocardiograma EEG Eletroencefalograma
EMG Eletromiograma
EMI Electromagnetic Interference
EOG Eletrooculograma FFT Fast Fourier Transform
FIR Finite Impulse Response
FT Fourier Transform
ICM Interface Cérebro Máquina IIR Infinite Impulse Response
MMB0 Motherboard
PA Passa-Altas
PB Passa-Baixas
PSD Power Spectral Density
PF Passa-Faixas
PGA Programmable Gain Amplifier
RF Rejeita-Faixas
SPI Serial Peripheral Interface
SNR Signal-to-Noise Ratio
1 INTRODUÇÃO . . . 9 1.1 OBJETIVOS . . . 10 1.1.1 Objetivo Geral . . . 10 1.1.2 Objetivos Específicos . . . 11 1.2 JUSTIFICATIVA . . . 11 1.3 PROCEDIMENTOS METODOLÓGICOS . . . 11 1.4 ESTRUTURA DO TRABALHO . . . 14 2 FUNDAMENTAÇÃO TEÓRICA . . . 15 2.1 BIOPOTENCIAIS . . . 15 2.1.1 Características do EEG . . . 15 2.1.2 Eletroencefalografia . . . 17
2.2 REQUISITOS PARA A AQUISIÇÃO DO SINAL EEG . . . 18
2.3 ELETRODOS . . . 19
2.4 CONVERSOR ANALÓGICO DIGITAL . . . 20
2.4.1 Conversor A/D por dupla-rampa . . . 21
2.4.2 Conversor A/D sigma-delta . . . 22
2.5 FONTES DE RUÍDOS EM BIOPOTENCIAIS . . . 23
2.6 FILTRAGEM DE SINAIS . . . 25
2.6.1 Projeto de Filtros . . . 26
2.6.2 Filtros Digitais IIR . . . 29
2.6.3 Filtros Digitais FIR . . . 30
2.7 INTERPRETAÇÃO DE SINAIS . . . 31
2.7.1 Transformada de Fourier . . . 31
2.7.2 Análise da variação do sinal EEG no tempo . . . 32
3 PROJETO DE AQUISIÇÃO DE SINAIS EEG . . . 34
3.1 ELEMENTOS DO HARDWARE DE AQUISIÇÃO . . . . 34
3.1.1 Funcionamento e estrutura do ADS1299 . . . 35
3.1.2 O evaluation module do ADS1299 . . . 36
3.1.3 O Arduino Uno . . . 38
3.2 O HARDWARE DE AQUISIÇÃO DE SINAIS EEG . . . 39
3.2.1 Validação do hardware de aquisição . . . 41
3.3 SOFTWARE DE TRATAMENTO DE SINAIS EEG . . . 43
3.3.1 Banco de Dados . . . 44
3.3.2 Seleção dos Eletrodos . . . 45
3.3.3 Filtragem Digital . . . 46
4 RESULTADOS . . . 49
4.1 IDENTIFICAÇÃO AUTOMÁTICA ENTRE INDIVÍDUO DE OLHOS ABERTOS OU FECHADOS . . . 62
5 CONCLUSÃO . . . 66
REFERÊNCIAS . . . 68
1 INTRODUÇÃO
Avanços nas técnicas de processamento de sinais têm levado a uma maior confiabilidade nos diagnósticos na área médica (VARGHESE, 2009). Assim, doenças relacionadas ao cérebro humano, tais como esclerose lateral amiotrófica e doenças que degeneram os neurônios motores causando paralisia parcial ou total dos membros, possuem maior possibilidade de diagnóstico (RAJESH, 2013).
A interface cérebro máquina foi criada com o intuito de aprimorar o diagnóstico destas doenças e posteriormente, com o avanço de sua utilização, passou a oferecer a pacientes com tais limitações uma possibilidade de restaurar a comunicação entre cérebro e corpo (RAJESH, 2013), além de auxiliar no tratamento de doenças relacionadas ao sistema motor. Assim, os objetivos principais da Interface Cérebro Máquina (ICM) são detectar e interpretar a atividade elétrica do cérebro gerada por grupos de neurônios (MUSSATTO; SILVA, 2014), funcionando como um meio alternativo ao caminho natural de transmissão dos sinais biológicos.
Com a possibilidade de comandar dispositivos eletrônicos somente com a atividade cerebral (LOTTE et al., 2007), tornou-se mais factível a criação de próteses para pessoas amputadas ou tetraplégicas, controle de robôs e de cadeiras de rodas, além de outras tecnologias assistivas (MILLÁN et al., 2003; MUSSATTO; SILVA, 2014). No entanto, os estudos sobre essa tecnologia ainda se encontram em fase de exploração de suas reais potencialidades, de forma que existem poucas aplicações efetivas de controle por padrões de sinais neurais. Apesar disto, as aplicações já realizadas são expressivas e motivam a continuidade dos estudos (SCHUH et al., 2014).
Um dos métodos utilizados na captação da atividade neural para emprego nas ICMs é a eletroencefalografia (EEG). Por meio dela são medidas as variações da tensão elétrica sobre a superfície do escalpo (ALOMARI et al., 2014) e a partir dos perfis dos sinais captados por este método, pode-se identificar padrões da atividade cerebral relacionados ao estado do usuário. Além disso, permite diagnósticos de doenças e a aplicação no controle e acionamento de dispositivos.
De todas as etapas necessárias para que seja possível ir da captação da atividade cerebral até o controle de uma prótese, é preciso tempo e estudos imprescindíveis para as etapas intermediárias do processo, responsáveis pela amplificação, filtragem e reconhecimento do sinal captado.
Para a aquisição de sinais cerebrais podem ser empregados diferentes tipos de eletrodos que proporcionam um caminho eficaz entre as etapas de captação e o condicionamento do sinal. Os mais utilizados são os eletrodos de agulha e microeletrodos, que são implantados
internamente, e os eletrodos de superfície, de caráter não-invasivo (DEMARRE et al., 1983). Assim, segundo Niedermeyer e Silva (2005), existem três maneiras distintas de implantação: internamente ao encéfalo, em sua superfície e em contato com o escalpo, as quais descrevem, respectivamente, os métodos invasivo, parcialmente invasivo e não-invasivo. Por serem internos, o método invasivo e parcialmente invasivo requerem técnicas cirúrgicas para a implantação dos sensores, elevando, assim, o custo e o risco destas técnicas. No método não-invasivo, a captação dos sinais neurais apresenta mais interferências e sua resolução é mais limitada, porém, sua vantagem consiste no fato de não haver exigência de técnicas cirúrgicas (VARGHESE, 2009).
Visto isso, o tema que abrange este projeto se restringiu ao estudo de sinais cerebrais aquisicionados por eletroencefalografia de caráter não-invasiva, utilizando eletrodos de superfície, obedecendo o Sistema Internacional 10-10, o qual consiste no posicionamento simétrico dos eletrodos nos intervalos de 10% de distância de pontos pré-determinados no escalpo (SILVA, 1996). Tendo em vista que o método de captação não-invasiva adiciona uma grande quantidade de ruídos que distorcem o sinal, a etapa de filtragem é fundamental para o funcionamento confiável do dispositivo eletrônico (NIEDERMEYER; SILVA, 2005; DEMARRE et al., 1983). Por fim, após o condicionamento do sinal cerebral, este pode ser então classificado em comandos para o controle de um dispositivo artificial (MUSSATTO; SILVA, 2014).
O estudo da aquisição de sinais cerebrais foi realizado utilizando um hardware para captação de sinais simulados, sendo responsável pela amplificação e conversão dos sinais analógicos para sinais digitais, além de os transferir para o computador. Posteriormente, foi desenvolvido um software utilizando a ferramenta computacional MATLAB, a qual permite apresentar os resultados de forma gráfica. Este algoritmo desenvolvido visou o condicionamento de sinais EEG, sendo testado com o uso de um banco de dados contendo tais sinais. Por fim, foi possível identificar o padrão associado a um movimento ocular específico (piscada palpebral) e sua influência nas formas das ondas cerebrais.
1.1 OBJETIVOS 1.1.1 Objetivo Geral
Validar uma plataforma eletrônica de aquisição de sinais EEG e desenvolver um algoritmo que identifique se o indivíduo está com os olhos fechados ou abertos e identifique a quantidade de vezes que ele pisca, quando com os olhos abertos, a partir de uma análise dos padrões das ondas cerebrais.
1.1.2 Objetivos Específicos
• Amplificar as ondas cerebrais captadas por meio de métodos não invasivos e convertê-las
em sinais digitais por meio de uma plataforma microcontrolada;
• Filtrar, processar e classificar os sinais de modo que os ruídos sejam identificados e
amenizados, utilizando o software MATLAB;
• Identificar o estado do indivíduo entre: com os olhos fechados ou abertos e quando
abertos, identificar as piscadas.
1.2 JUSTIFICATIVA
Os estudos relacionados à área de captação e condicionamento de sinais cerebrais utilizando métodos não-invasivos obtiveram grandes avanços nos últimos anos. Este fato pode ser observado pelo desenvolvimento de aplicações nas áreas de mobilidade e tratamento de doenças relacionadas aos movimentos do corpo (MUSSATTO; SILVA, 2014). Entretanto, ainda é raro de se encontrar plataformas acessíveis que possibilitem o condicionamento do sinal neural, independente de sua aplicação final, o que dificulta o avanço dos estudos e aperfeiçoamento de próteses robóticas, entre outras aplicações. A forte presença de ruídos também agrega dificuldade à manipulação e à utilização destes sinais, impossibilitando um comando compatível para a aplicação desejada (MILLÁN et al., 2003).
O trabalho realizado teve por objetivo propor uma plataforma microcontrolada para aquisição e estudo de sinais EEG, testando-a com o emprego de sinais simulados, bem como propor um software para identificar se o indivíduo permanecia com os olhos fechados ou abertos no intervalo observado, apontando a quantidade de piscadas, quando com os olhos abertos. Assim, estudos futuros na área poderão se basear no atual trabalho para o desenvolvimento de novas técnicas e até mesmo para o uso efetivo dos resultados em dispositivos eletrônicos.
A relevância do projeto se torna, assim, de fundamental importância para o avanço do conhecimento na área de análise e processamento de sinais cerebrais com aplicação em próteses e para pacientes e pesquisadores que possam se beneficiar de maneira mais direta desta plataforma.
1.3 PROCEDIMENTOS METODOLÓGICOS
A captação de sinais cerebrais deve ser feita utilizando sensores de EEG de superfície com o auxílio de uma pasta condutora, a qual possui propriedades adesivas e redutoras de impedância, para uma melhor captação dos sinais. No entanto, a fixação dos 64 sensores
utilizados de acordo com o Sistema Internacional 10-10 (Figura 1) no escalpo é uma operação longa e inconveniente, uma vez que é necessária a aplicação da pasta condutora no couro cabeludo e a limpeza da região antes e após as medições (ZHANG et al., 2009).
Figura 1: Localização dos eletrodos de acordo com o Sistema Internacional 10-10 (azuis e brancos) e 10-20 (apenas azuis).
Fonte: Adaptado de (BRAIN MASTER, 1995)
Além disto, sabe-se que Millán et al. (2003), Mussatto e Silva (2014) e Zhang et al. (2009) obtiveram em seu estudo uma eficácia razoável na identificação de padrões neurais, utilizando apenas 8 eletrodos e que, em um estudo comparativo, concluiram que a confiabilidade dos sinais provenientes da têmpora (canais Af e Fp) corresponde à cerca de 80% em relação aos captados pelo córtex motor (canais Fc, C e Cp).
Desta forma, neste trabalho primeiramente foram escolhidos os eletrodos da região frontal, a serem utilizados na aquisição dos sinais EEG. Na sequência, foi proposta uma plataforma para a captação do sinal, permitindo amplificá-lo, já que a sua magnitude original é da ordem de microvolts (DEMARRE et al., 1983), bem como adequá-lo à escala do conversor analógico-digital (A/D). O hardware proposto foi a placa de desenvolvimento Evaluation
Module ADS1299 da Texas Instruments, que possui 8 conversores A/D com resolução de 24
bits e é recomendada para o estudo de biopotenciais (TEXAS INSTRUMENTS, 2016).
Para que os sinais captados pudessem ser enviados ao computador, foi realizada a interface de comunicação e controle do ADS1299 utilizando o microcontrolador Arduino Uno.
Nessa etapa, tendo em vista a dificuldade de se obter sinais livres de interferências oriundas da fisiologia do córtex motor do usuário (DEMARRE et al., 1983) e para evitar a utilização de pacientes na aquisição das ondas EEG, a aquisição até o envio desses sinais ao computador foi testada por meio de sinais simulados obtidos a partir de um banco de dados digital, permitindo reproduzir o comportamento do sistema. Logo, os sinais simulados e convertidos foram enviados por meio da interface serial SPI do ADS1299 para o microcontrolador Arduino Uno, sendo este responsável pelo envio dos dados captados para a plataforma MATLAB, através da comunicação UART.
Na sequência, considerando que não foi realizada a captação de sinais reais de EEG, foi utilizado um banco de dados disponibilizado pela comunidade PhysioNet (GOLDBERGER et al., 2000). Este banco de dados permitiu a validação do algoritmo proposto, por conter os sinais captados pelos 64 eletrodos posicionados de acordo com o sistema 10-10 para diferentes indivíduos em estado de relaxamento ou realizando movimentos das mãos ou dos pés. A plataforma MATLAB foi utilizada para o desenvolvimento dos filtros digitais, bem como para a identificação e o processamento dos sinais EEG. Além disso foi possível visualizar graficamente a distribuição dos sinais no escalpo.
A Figura 2 resume os passos necessários para a realização do trabalho, sendo a etapa de aplicação uma sugestão proposta a trabalhos futuros.
Figura 2: Fluxograma representativo das etapas do trabalho.
1.4 ESTRUTURA DO TRABALHO
Capítulo 1 - Introdução. Composto pelo tema, problemas e premissas, objetivos gerais, objetivos específicos e justificativa. Este capítulo é destinado para a delimitação do tema, definição dos objetivos, bem como a escolha dos métodos e procedimentos utilizados para obtenção dos mesmos.
Capítulo 2 - Fundamentação Teórica. Este capítulo constitui uma seção em que as explicações teóricas e técnicas sobre os procedimentos, materiais e instrumentos utilizados para a aquisição dos sinais são fornecidas. Aborda, também, o procedimento de aquisição de sinais cerebrais com enfoque no funcionamento dos eletrodos, amplificadores e filtros utilizados para a captação.
Capítulo 3 - Projeto de aquisição de sinais EEG. Neste capítulo são discutidos o
hardware de amplificação e conversão, bem como o algoritmo de identificação dos sinais EEG,
implementado em MATLAB.
Capítulo 4 - Resultados. Neste capítulo são apresentados os resultados obtidos com a implementação e testes do hardware e software desenvolvidos.
Capítulo 5 - Conclusões. Neste capítulo são discutidas as conclusões atingidas durante o desenvolvimento deste trabalho, bem como as sugestões de estudo para trabalhos futuros.
2 FUNDAMENTAÇÃO TEÓRICA
2.1 BIOPOTENCIAIS
Muitos órgãos do corpo humano executam suas funções por meio de atividades elétricas (THAKOR, 1999), emitindo sinais ao realizar um determinado movimento corporal, chamados de biopotenciais (ADUR, 2008). As origens destes sinais se dão em nível celular, sendo o potencial elétrico através da membrana plasmática resultado de diferentes concentrações iônicas (predominantemente de íons de potássio e sódio) existentes no interior e exterior das células. O gradiente de concentração eletroquímico destes íons é chamado de potencial de Nernst ou potencial de repouso (THAKOR, BERBARI et al.; 1999, 1997). Por meio de estímulos elétricos ou mudanças no seu gradiente elétrico, algumas células do organismo podem ser excitadas, o que resulta em um rápido fluxo de íons através de suas membranas celulares e produz o chamado potencial de ação. Essa excitação gera mínimas correntes no entorno das células, manifestando-se como potenciais no corpo (THAKOR, 1999; BRONZINO, 2006).
Os biopotenciais mais utilizados atualmente compreendem o eletrocardiograma (ECG) utilizado para o coração; eletromiograma (EMG) para os músculos; eletrooculograma (EOG) para medir a atividade ocular e o eletroencefalograma para os sinais cerebrais (FRONDANA, 2012; ALVES, 2013). Cada sinal possui características específicas que diferenciam os métodos necessários para as suas aquisições e classificações. Na Tabela 1 estão listadas algumas características dos sinais mais comuns e suas diferenças em relação aos seus intervalos de amplitude e frequência.
Tabela 1: Características dos sinais de biopotenciais mais utilizados
Classificação Intervalo de amplitude (mV) Intervalo de frequência (Hz)
Eletrocardiograma 1-10 0,05-100 Eletromiograma 0,05-5 1-500 Eletrooculograma 0,01-5 0-100 Eletroencefalograma 0,002-0,2 0,5-100 Fonte: (BRONZINO, 2006) 2.1.1 Características do EEG
Segundo Thakor (1999), EEGs são estímulos elétricos produzidos por uma grande quantidade de neurônios interagindo entre si dentro do manto cortical, sendo o mais tênue dos biopotenciais conhecidos e atingindo um máximo de 200µV de amplitude (BERBARI et al.,
1997; ALVES, 2013). Sendo assim, o dispositivo utilizado para a captação destes sinais por métodos não-invasivos deve ser feito com material de baixa impedância e estar em contato direto com a pele.
Além da baixíssima amplitude e limitada frequência, tais sinais são também de difícil interpretação uma vez que resultam da manifestação da atividade elétrica simultânea de milhares de neurônios através de tecidos cerebrais, fluídos e escalpo (GEVINS; AMINOFF, 1988). No entanto, certos padrões de forma de onda obtidos por meio do EEG apresentam sinais característicos em diferentes frequências de acordo com a atividade executada. Segundo Pfurtscheller et al. (1997), existem cinco tipos de ondas de EEG diferenciáveis:
• Delta (δ): Frequência entre 0,5 e 4 Hz, medição realizada em bebês ou adultos dormindo;
• Theta (θ): Frequência entre 4 e 8 Hz, medição realizada em crianças ou adultos em sono leve;
• Alfa (α): Frequência entre 8 e 13 Hz, medição realizada na região parietal-occipital em uma pessoa acordada e relaxada. Mais proeminente com olhos fechados;
• Beta (β): Frequência entre 13 e 30 Hz, medição realizada na região parietal e lobos frontais em uma pessoa em estado de alerta;
• Gama (γ): Frequência acima de 30 Hz, medição realizada em crianças ou adultos realizando movimentos.
Tais padrões de ondas podem ser observados na Figura 3.
Figura 3: Padrões de ondas EEG
Segundo Teplan (2002) as ondas alfa são as que possuem maior atividade quando o indivíduo se encontra em estado de relaxamento e com os olhos fechados. Essencialmente, estão majoritariamente relacionadas ao nível de tranquilidade do sujeito, sendo minimizadas consideravelmente durante o estado de atenção. Já as ondas beta são mais dominantes em indivíduos acordados, em estado de alerta ou concentração. As ondas theta e delta são mais presentes em estados de sono leve e profundo, respectivamente. Por fim, as ondas gama são eventualmente caracterizadas como ondas beta, no entanto, segundo Dias (2009), estas possuem maior atividade durante movimentos voluntários de controle fino.
2.1.2 Eletroencefalografia
A eletroencefalografia é definida como o processo necessário para a aquisição de sinais elétricos oriundos do cérebro humano. Tais sinais se enquadram em três categorias distintas: atividade espontânea, potenciais evocados e neurônio isolado (MALVIMUO; PLONSEY, 1995).
O sinal proveniente da categoria de atividade espontânea é medido no escalpo, ocorrendo de forma contínua no indivíduo. Já a categoria de potenciais evocados, realizada também por meio do posicionamento de eletrodos no escalpo (MALVIMUO; PLONSEY, 1995), é composta por sinais que surgem por meio de um estímulo não espontâneo, com baixa rejeição em modo-comum (Common-Mode Rejection Ratio - CMRR), fazendo com que sua detecção seja considerada de grau elevado, já que a amplitude do sinal é pequena e há a interferência de diversos ruídos agregados ao sinal. Por fim, a categoria de neurônio isolado utiliza o método de perfuração de apenas um neurônio para realizar a leitura das características dos biopotenciais utilizando microeletrodos como meio de captação (MALVIMUO; PLONSEY, 1995).
O registro dos sinais EEG de cada canal oriundo dos eletrodos pode ser realizado de duas maneira distintas (TAVARES et al., 2011): derivação monopolar e derivação bipolar. No método de derivação monopolar utilizam-se dois eletrodos, sendo um conectado à referência do sistema e o outro à fonte do sinal EEG. Assim, o eletrodo de referência deve ser posicionado onde não há presença de biopotenciais, como no lóbulo da orelha ou no queixo. Desta forma, o registro do sinal é feito tomando-se a diferença entre o os dois canais por meio do amplificador de instrumentação (TAVARES et al., 1997), como ilustrado na Figura 4(a).
A derivação bipolar consiste na diferença entre dois canais portadores de sinal EEG. Diferentemente do que ocorre na derivação monopolar, neste método não há uma referência comum, o que inviabiliza quaisquer comparações entre as amplitudes dos canais e impossibilita um registro dos sinais posicionados no espaço. Porém, sua vantagem consiste no fato de os ruídos existentes em ambos os canais se anularem devido à semelhança entre si (TAVARES
et al., 1997). Um exemplo de aquisição de sinais EEG pelo método de derivação bipolar é ilustrado na Figura 4(b).
Figura 4: Esquema da aquisição com derivação monopolar (a) e derivação bipolar (b).
Fonte: Adaptado de (TAVARES et al., 2011)
2.2 REQUISITOS PARA A AQUISIÇÃO DO SINAL EEG
O circuito de aquisição dos sinais EEG deve ser projetado tendo em vista algumas características do sinal já discutidas. Assim, deve-se primeiramente desenvolver um circuito de amplificação capaz de elevar a magnitude do sinal, seguindo os seguintes critérios:
1. As frequências produzidas pelo cérebro devem permanecer as mesmas, simplesmente amplificando a tensão de entrada (TYNER et al., 1989);
Para tal requisito, deve-se atentar para os possíveis ruídos que serão agregados ao sinal vindos da rede elétrica, de dispositivos eletrônicos nas proximidades ou de quaisquer outras fontes de ruídos presentes no local da aquisição. Assim, deve haver a remoção das frequências indesejadas no sinal com a implementação de filtros. Em geral, estes filtros são do tipo passa-alta, passa-baixa ou rejeita-faixa, sendo a frequência de corte do sinal calculada de acordo com as especificações do projeto.
2. A CMRR do conversor deve ser a maior possível;
O conversor escolhido deve possuir CMRR elevado a fim de que sinais alheios à medição nas duas entradas de seu amplificador interno sejam rejeitados e apenas a diferença de tensão seja amplificada (NORMAN, 1988). O cálculo do CMRR de um amplificador é feito a partir da relação entre o ganho diferencial e o ganho de modo-comum
CMRR = A Acm
conforme indicado na Figura 5, em que A e Acm são os ganhos diferencial e de modo-comum, respectivamente, e são dados por
A = Vo V2−V1 , (2) e Acm= Vo Vcm . (3)
Figura 5: Amplificador de ganho diferencial (a) e ganho de modo-comum (b).
Fonte: (PILEGGI, 1999)
3. A impedância diferencial do conversor deve ser a maior possível.
O amplificador, presente no conversor, é responsável pela sensibilidade do circuito, que está definida paraµV/mm ou µV/cm (DEMARRE et al., 1983). Esta característica evita distorções no sinal amplificado.
2.3 ELETRODOS
Eletrodos são definidos como sensores capazes de detectar reações eletroquímicas advindas de seres-vivos (DEMARRE et al., 1983), servindo na aquisição EEG como o dispositivo que realiza a interface entre escalpo e o equipamento que fará o registro e condicionamento do sinal (ADUR, 2008).
Para a melhor captação do sinal e visando maior eficiência na eliminação de interferências, o material constituinte do eletrodo também deve ser cuidadosamente escolhido. Este deve ser feito de material condutor que permite a transferência estável de corrente entre a fonte do sinal e o condicionador do sinal. Além disso, é importante destacar que as reações químicas que ocorrem dentro do corpo ou sobre a superfície da pele não devem influenciar o contato entre escalpo e eletrodo, portanto, o eletrodo deve ser inerte a reações química (DEMARRE et al., 1983).
Materiais como zinco e níquel são capazes de produzir íons no eletrodo, o que leva a uma polarização indesejada no dispositivo, bloqueando a captação do sinal. Já metais menos
ativos, tais como a prata e o ouro, produzem poucos íons e, portanto, menos polarização (DEMARRE et al., 1983).
A utilização da pasta condutora entre o escalpo e o eletrodo possui fundamental importância para a obtenção de um bom contato, facilitando a leitura do sinal elétrico devido a suas propriedades condutivas (DEMARRE et al., 1983). Através deste eletrólito, o surgimento de uma tensão entre metal e escalpo é facilitado, como é possível ver na Figura 6 (ADUR, 2008).
Figura 6: Esquema do comportamento elétrico entre escalpo e eletrodo com a utilização de pasta condutora.
Fonte: Adaptado de (TYNER et al., 1989)
2.4 CONVERSOR ANALÓGICO DIGITAL
A etapa de conversão do sinal é fundamental para o correto processamento dos sinais de biopotenciais quando se deseja utilizar uma interface com ferramentas computacionais. Para que seja possível uma manipulação do sinal adquirido por meio de software, é necessário a conversão do sinal utilizando-se um conversor A/D (TEPLAN, 2002).
A conversão A/D consiste na transformação do sinal analógico em uma sequência de bits, visando possibilitar sua manipulação por meio de um processamento de natureza digital. Assim, os sinais são discretizados no tempo e na frequência (BRONZINO, 2006). Segundo Bronzino (2006), a conversão A/D deve ser dividida em dois passos básicos:
1. Processo de amostragem, que consiste na conversão do sinal analógico em um sinal discreto no tempo, em que seus elementos são denominados amostras ou Samples; 2. Procedimento de quantização, que atribui o valor de amplitude de cada amostra dentro de
um conjunto de valores discretos determinados.
Figura 7: Esquema de conversão analógico-digital.
Fonte: Autoria Própria
O conversor A/D deve ser cuidadosamente escolhido levando-se em consideração o sinal medido, visto que se for utilizada uma resolução não adequada, informações importantes e partes da onda podem ser perdidas. Assim, a resolução deve ser determinada a partir do menor valor de amplitude que pode ser amostrado. Este cálculo é realizado a partir da extensão de tensão do conversor (ligada geralmente à tensão de alimentação do mesmo), dividido por 2 elevado ao número de bits disponíveis no conversor (TEPLAN, 2002). A expressão do cálculo da resolução é dada por
Q = V
2bits. (4)
Considerando-se a pequena amplitude dos sinais EEG explorados neste trabalho, deve-se abordar algumas característica importantes relacionadas à escolha do conversor A/D utilizado para transformação destes, sendo elas (TEPLAN, 2002):
• Conversor A/D com no mínimo 12 bits; • Precisão inferior ao ruído (0,3-2µVpp);
• Frequência de amostragem usualmente entre 128 Hz e 1024 Hz.
2.4.1 Conversor A/D por dupla-rampa
Alternativamente, a conversão A/D dos sinais pode ser feita com o método de dupla-rampa. Segundo Boylestad (2013) o funcionamento deste conversor se dá quando a tensão analógica a ser convertida é aplicada através de uma chave eletrônica a um circuito integrador ou gerador de rampa (essencialmente uma corrente constante que carrega um capacitor para produzir uma tensão linear em rampa). Então, obtém-se a saída digital a partir do contator, no qual este se mantém operacional durante os dois intervalos do integrador, positivo ou negativo. A Figura 8 apresenta um diagrama de blocos explicativo do funcionamento geral deste conversor.
Figura 8: Diagrama de blocos conversor A/D por dupla-rampa.
Fonte: (BOYLESTAD, 2013)
2.4.2 Conversor A/D sigma-delta
O método de conversão A/D Sigma-Delta (Σ∆) é constituído de componentes analógicos e digitais. Aproximadamente 75% de sua topologia é digital, sendo o restante de caráter analógico. Segundo Baker (2011), esses conversores são ideais para a realização de conversão A/D para uma grande gama de frequências, alcançando desde sinais CC até frequências com a unidade de medida na ordem de MHz.
Essencialmente, estes conversores são o resultado de dois processos diferentes, sendo estes o modulador oversampling e o filtro digital/dicimação. A união destes dois processos resulta na conversão de dados com alta resolução (BAKER, 2011). A Figura 9 apresenta o diagrama de blocos que representa um conversorΣ∆.
Figura 9: Diagrama de blocos conversor A/D por sigma-delta.
Fonte: (BAKER, 2011)
O funcionamento do conversor Σ∆ se inicia pelo modulador, que tem por função amostrar o sinal analógico aplicado à entrada com uma elevada taxa de amostragem em um
fluxo de 1 bit. Na sequência, o filtro digital/dicimador realiza a conversão do sinal amostrado em um código digital de alta resolução. Esse tipo de conversor distingue-se dos outros, pois trabalha com duas taxas de amostragem distintas, a taxa de amostragem de entrada do sinal ( fS) e a taxa de saída de dados ( fD) (BAKER, 2011).
2.5 FONTES DE RUÍDOS EM BIOPOTENCIAIS
O conhecimento das possíveis fontes de ruídos em sinais biológicos é necessário para estimar a relação sinal-ruído (Signal to Noise Ratio - SNR) e, assim, projetar um sistema de aquisição eficaz. Segundo Sherman e Walterspacher (2006), os sinais indesejados obtidos por meio da medição direta de biopotenciais usualmente são causados por ruídos externos e interferências de origem elétrica ou biológica.
Em sinais EEG, as interferências surgidas devido a fatores fisiológicos são causadas por contrações musculares, movimentos oculares, movimentos involuntários, entre outros. Já as interferências de origem eletrônica são provindas dos componentes do próprio circuito de aquisição; enquanto as de origem elétrica são oriundas da rede de energia elétrica e rádio-frequência (THAKOR, 1999). Dentre as perturbações elétricas inerentes ao circuito de aquisição, destacam-se os ruídos térmicos, vindos de componentes resistivos, e os ruídos de contato em razão dos pinos de contato (LEACH, 1994).
A principal interferência de origem elétrica que dificulta a aquisição de biopotenciais é a interferência eletromagnética (electromagnetic interference - EMI) (YAZICIOGLU et al., 2009), que ocorre devido ao fato de que, entre a rede elétrica e o paciente ou o circuito de aquisição, há a presença de acoplamentos capacitivos. Tais acoplamentos, ilustrados na Figura 10, se originam devido ao campo magnético induzido pelos cabos do eletrodo e devido a corrente de deslocamento resultante, gerando uma queda de tensão nos eletrodos (USAKLI, 2009; WINTER; WEBSTER, 1983).
Figura 10: Acoplamentos capacitivos em um sistema de aquisição de sinais ECG.
Fonte: Adaptado de (RIJN et al., 1990)
As capacitâncias Ccae Ccbindicadas na Figura 10 descrevem o acoplamento capacitivo entre a rede elétrica e os cabos dos eletrodos. Como tipicamente possuem valores distintos, produzem correntes de deslocamento (ia e ib) cujos módulos são também distintos, gerando um ruído diferencial significativo em 60 Hz. Similarmente, as variáveis Cbody, representando a capacitância entre o paciente e a rede elétrica, e Cpow, capacitância entre o paciente e o terra, diferem grandemente entre si e geram uma corrente de deslocamento (i1). Por sua vez, i1
percorre através do corpo do indivíduo e, posteriormente, através do eletrodo de referência (de impedância Zrl), resultando em uma tensão de modo-comum (Vcm) na entrada do amplificador (WINTER; WEBSTER, 1983). Por fim, as capacitâncias existentes entre a rede e o terra do amplificador (Csup) e entre o terra do amplificador e o terra do circuito de aquisição (Ciso) também contribuem para um aumento da tensão de modo-comum no amplificador (RIJN et al., 1990).
Uma forma de reduzir ou eliminar esta interferência é blindar e aterrar os condutores e o instrumento de aquisição. Além disso, a utilização de um amplificador de instrumentação com elevado CMRR minimiza a interferência de modo-comum, a qual é causada pela interferência induzida no corpo do paciente provinda de componentes elétricos no ambiente de medição (THAKOR, 1999).
2.6 FILTRAGEM DE SINAIS
Os filtros têm por função selecionar sinais com características pré-determinadas em projeto. Assim, permitem ou rejeitam a passagem de um determinado intervalo de frequência (OPPENHEIM; SCHAFER, 2010).
Segundo Oppenheim e Schafer (2010), o projeto de filtros envolve três passos fundamentais para o seu correto funcionamento. Inicialmente deve-se especificar as propriedades desejadas para o sistema a ser desenvolvido para, então, aproximar-se às especificações utilizando um sistema discreto causal e, por fim, implementar o sistema. A ação esperada de um filtro sobre um sinal de entrada é que o filtro responda com amplitude unitária ou com ganho fixo (de acordo com o projeto) para a faixa de frequência que deve permanecer no espectro, chamada de banda passante. Assim, as faixas a serem rejeitadas devem receber ganho zero a fim de anular a sua influência no circuito. A resposta obtida é normalmente dada no domínio da frequência (OPPENHEIM; SCHAFER, 2010; JUNG, 2005).
Em um filtro real, as componentes espectrais dos sinais a serem rejeitados não são instantaneamente levados a zero, sendo apenas atenuados. A Figura 11 compara filtros ideais e filtros reais, na qual o sinal ideal é representado pela linha tracejada, enquanto o real, pela linha contínua. A Figura 11(a) apresenta um filtro passa-baixas (PB), onde as frequências menores que a fC estão compreendidas na banda passante. O filtro passa-altas (PA), apresentado na Figura 11(b), possui como banda passante valores superiores à fC. A Figura 11(c) representa um filtro passa-faixas (PF), onde há a presença de duas frequências de corte (frequência de corte inferior e superior) e a banda passante encontra-se entre elas. Já a Figura 11(d) apresenta um filtro rejeita-faixas (RF), onde também há a presença de duas frequências de corte, porém a faixa de valores entre essas frequências é rejeitada.
Figura 11: Comparação entre filtros reais e ideais. (a) Filtro PB; (b) Filtro PA; (c) Filtro PF e (d) Filtro RF
Fonte: (VOTORINO, 2016)
2.6.1 Projeto de Filtros
Filtros reais podem ser implementados utilizando as chamadas funções de aproximação, sendo as funções mais empregadas por Butterworth, Chebyshev Tipo 1 e Tipo 2, além da aproximação elíptica, também conhecida como aproximação de Cauer.
A função de aproximação de Butterworth se caracteriza por apresentar valores planos na banda de passagem, ou seja, não há ondulação na amplitude destes valores, não interferindo de forma contundente na qualidade do sinal passante.
Já a função de aproximação de Chebyshev se caracteriza por manter valores de ondulação constantes na banda passante ou na banda de rejeição, tentando minimizar a diferença entre a resposta do filtro e a resposta ideal em uma das bandas de frequência. Os filtros Chebyshev são representados por
|H( jω)| = √ KPB 1 + E2C2 N ( ω ωC ), (5)
na qual KPB representa o ganho do filtro PB quando ω possui frequência nula, 0 < E ≤ 1 representa a constante que define a amplitude das ondulações, N especifica a ordem do filtro,
CN é o polinômio de Chebyshev eωCé o limite da banda passante, dado por
CN(ω) = cos [N· arccos(ω)] . (6)
A aproximação de Chebyshev pode ser subdividida em Tipo 1 e Tipo 2, tendo como principal diferença a localização da ondulação, ou ripple, da resposta (DINIZ et al., 2014). A Figura 12(a) apresenta o comportamento da aproximação de Chebyshev para o Tipo 1 e a
Figura 12(b) para o Tipo 2. Nota-se que Chebyshev Tipo 1 tem maior ondulação na faixa passante e maior atenuação, ao passo que Chebyshev Tipo 2 apresenta faixa passante com baixo
ripple e menor atenuação.
Figura 12: Aproximação de Chebyshev Tipo 1 (a) e Tipo 2 (b) para diferentes valores de N.
Fonte: Autoria Própria
A aproximação de Cauer é caracterizada por possuir ripples tanto na banda de passagem quanto na banda de corte. Esse comportamento leva a uma banda de transição mais estreita e, portanto, mais precisa em relação à frequência de corte desejada (ADUR, 2008). Na Figura 13 é possível observar tal comportamento, sendo que para os valores de N = 7 e N = 9 as curvas apresentam-se praticamente iguais.
Figura 13: Aproximação de Cauer para N’s diferentes.
Fonte: Autoria Própria
A Figura 14 compara as quatro funções de aproximações para uma mesma frequência de corte. Por meio da análise desta figura, pode-se concluir que a aproximação elíptica é a
mais apropriada para filtros em que a banda de transição não pode ser muito elevada, porém apresenta imprecisões na banda passante e na banda a ser rejeitada. As aproximações de Chebyshev Tipo 2 e Butterworth possuem respostas mais precisas para a banda passante, sendo que para Butterworth a banda de rejeição é atenuada mais lentamente e para Chebyshev há
ripples significativos na banda de atenuação. Assim, esses métodos podem ser utilizados para
filtros que não admitem atenuação da banda passante. Já a aproximação de Chebyshev Tipo 1 possui uma atenuação mais precisa, apresentando ripples significativos para a banda passante.
Figura 14: Comparação das aproximações de Butterworth, Chebyhev Tipo 1, Chebyshev Tipo 2 e Elíptico para N=5.
Fonte: Autoria Própria
Além das considerações discutidas, deve-se considerar também que a rede elétrica sempre exercerá influência sobre os circuitos, tendo que prever em projeto a eliminação da frequência de operação da rede, sendo esta de 60 Hz. Para isto, utiliza-se o filtro Notch, que consiste em um filtro com banda de rejeição específica para uma frequência (CORREIA et al., 2010). Na Figura 15, pode-se observar o comportamento de um filtro Notch com aproximação Chebyshev do Tipo 2 sobre um sinal de entrada, em que a Figura 15 (a) representa a atenuação sofrida pelo sinal em dB e a Figura 15 (b) representa a fase do sinal.
Figura 15: Resposta Filtro Notch com aproximação Chebyshev Tipo 2. (a) atenuação do sinal e (b) fase do sinal
.
Fonte: Adaptado de (KAUR; SINGH, 2009)
2.6.2 Filtros Digitais IIR
Segundo Oppenheim Alan V. (2010) a forma de construção de um filtro digital Infinite
Impulse Response (IIR) envolve primeiramente a transformação da natureza do sinal captado.
Isto é, caso o sinal a ser processado se encontre de forma analógica, necessita-se a utilização de um conversor A/D para que o sinal possa ser corretamente interpretado pelo filtro digital.
Essencialmente, os filtros digitais IIR são filtros que apresentam resposta ao impulso com duração infinita que podem ser descritos matematicamente como (DINIZ et al., 2014)
Y (z) X (z) = ∑M k=0akzM−k ∑N j=0bjzN− j . (7)
O diagrama de blocos a seguir (Figura 16) apresenta o funcionamento geral dos filtros IIR, onde nota-se que as características tanto de entrada como de saída são regidas e processadas por equações de diferenças com coeficientes constantes, respeitando-se sempre a função de transferência (DINIZ et al., 2014).
Figura 16: Diagrama de Blocos do Filtro IIR.
Fonte: (OPPENHEIM ALAN V., 2010)
A escolha de utilização de filtros digitais é justificada pelo fato de os métodos de
design para filtros IIR em tempo discreto possuírem uma implementação relativamente simples
(OPPENHEIM ALAN V., 2010).
2.6.3 Filtros Digitais FIR
Os filtros digitais Finite Impulse Response (FIR) se caracterizam essencialmente por possuir resposta ao impulso de duração finita, isto é, seus valores de amplitude somente serão diferentes de zero durante um intervalo finito de tempo (OPPENHEIM ALAN V., 2010) e sua utilização para o processamento de sinais pode ser justificado por serem de fácil implementação (DINIZ et al., 2014).
A função de transferência que descreve o comportamento discreto dos filtros FIR é apresentado por Y (z) X (z) = ∑M k=0akzM−k ZM . (8)
Outras características que podem ser observadas nos filtros FIR são listadas a seguir (OPPENHEIM ALAN V., 2010):
• Possuem memória finita, isto é, o período dito transitório da curva tem duração limitada; • São sistemas do tipo Bounded Input, Bounded Output (BIBO), ou seja, sempre estáveis; • Tem a possibilidade de implementar uma resposta com módulo ajustável e em fase linear; • As saídas deste tipo de filtro dependem somente das entradas anteriores.
O diagrama de blocos a seguir (Figura 17) apresenta o funcionamento geral dos filtros FIR.
Figura 17: Diagrama de Blocos do Filtro FIR.
Fonte: (OPPENHEIM ALAN V., 2010)
2.7 INTERPRETAÇÃO DE SINAIS
Após a etapa de pré-processamento dos sinais EEG por meio da aquisição do sinal, filtragem e melhoria do sinal captado, deve-se realizar a extração de características ou padrões destes biopotenciais e, por fim, a classificação dos sinais (AL-FAHOUM; AL-FRAIHAT, 2014). Esta classificação pode ser realizada utilizando diferentes métodos de análise do comportamento do sinal, levando em consideração três principais fontes de informação, sendo estas de aspecto temporal, espectral (frequência) ou espacial. Cada tipo de informação permite distinguir características que identifiquem características do sinal, como a posição em que ele possui maior intensidade, as frequências em que seu potencial é maior ou a análise da variação de sua amplitude a cada intervalo de tempo (LOTTE, 2014).
Nesta seção são apresentadas duas técnicas empregadas no estudo dos padrões de EEG: a análise na frequência por meio da Transformada de Fourier (TF) e a análise da variação do sinal no tempo.
2.7.1 Transformada de Fourier
Um dos métodos mais utilizados para a extração de padrões em sinais é o da TF. Ela altera o domínio do sinal do tempo para o domínio da frequência, uma vez que tal processo permite que quaisquer sinais no domínio do tempo possam ser decompostos em infinitas exponenciais complexas com diferentes frequências. A TF pode ser descrita matematicamente por
X ( f ) =
∫ +∞
−∞ x(t)e
− j2π ftdt, (9)
Tendo em vista que a TF não é uma operação computacionalmente realizável, devido à integral de infinitos termos, define-se a transformada discreta de Fourier (Discrete Fourier
Transform, DFT) como o somatório sobre um número finito de amostras, tal que
Xk= n−1
∑
i=0 xie− j2πi k n k = 0, ..., n− 1, (10)em que xi é a sequência de entrada, Xk é sua DFT e n é o número de amostras (VALIPOUR et al., BURRUS; 2013, 2012).
A transformada rápida de Fourier (Fast Fourier Transform, FFT), por sua vez, nada mais é que uma implementação otimizada da DFT, cujo tempo necessário para o processamento computacional é reduzido por uma escala na ordem de N. log2N (VALIPOUR et al., 2013).
A vantagem de se utilizar métodos de análise no domínio da frequência para sinais EEG consiste na possibilidade de se classificar uma tarefa realizada pelo indivíduo a partir do comportamento característico apresentado pelos sinais cerebrais em um certo intervalo de frequências, os quais correspondem a ritmos cerebrais específicos. Assim, como apresentado na Seção 2.1.1, é possível analisar o comportamento do sinal para cada um dos intervalos de frequências do EEG: delta, theta, alfa, beta ou gama.
2.7.2 Análise da variação do sinal EEG no tempo
A análise temporal dos sinais EEG permite investigar a variação da amplitude de tensão dos sinais captados, podendo ser analisado nos intervalos de frequência estudados (delta, theta, alfa, beta e gama). Por meio desta técnica é possível identificar a ocorrência dos diferentes ritmos de EEG e padrões de onda, relacionando-os ao estado corrente dos indivíduos.
Por exemplo, para o movimento de piscar espontâneo dos olhos (piscada palpebral espontânea), é possível identificar uma variação no padrão da onda EEG, ocasionada por um sinal EOG. Geralmente considerada como um artefato no estudo dos sinais cerebrais por não ser o objeto de interesse dos experimentos e por afetar seu estudo, a piscada é captada com maior intensidade pelos eletrodos localizados na região frontal da cabeça devido a sua proximidade com os olhos. A variação do sinal decorrente deste movimento ocorre pois a córnea possui um potencial positivo em relação a retina na ordem de 50 a 100 µvolts, resultando em um campo elétrico detectável a partir do movimento dos olhos. Durante a piscada ocorre o movimento de rotação da córnea para cima em sincronia com o fechamento das pálpebras, conhecido como fenômeno de Bells, o que causa uma deflexão do sinal EEG (HUSAIN; SINHA, 2017).
Quando o sujeito está com os olhos abertos existe uma diferença de potencial entre os eletrodos Fp1 e F3 do olho esquerdo e dos eletrodos Fp2 e F4 para o olho direito. Quando ocorre a piscada e a rotação da córnea, essa diferença de potencial é alterada devido a maior
proximidade da córnea com o eletrodo Fp1 e F3, e seu lateral equivalente (Figura 18).
Figura 18: Representação do fenômeno de Bells.
Fonte: Adaptado de (HUSAIN; SINHA, 2017)
A Figura 19 ilustra esse comportamento do padrão de onda EEG. Sendo assim, quando ocorre o fechamento dos olhos o sinal sofre uma deflexão negativa, pois Fp1 é mais eletropositivo que F3, e quando os olhos são abertos ocorre a variação oposta, amplificando-se o sinal (Figura 19). O mesmo acontece para a diferença entre os eletrodos F3-C3 e amplificando-seu equivalente F4-C4 de maneira mais atenuada, devido a sua maior distância dos olhos.
Figura 19: Oscilação no EEG causada pelo piscar dos olhos.
3 PROJETO DE AQUISIÇÃO DE SINAIS EEG
Com base nos capítulos anteriores, constatou-se que diversas características devem ser observadas para o desenvolvimento de um sistema de aquisição de biopotenciais EEG. Tendo em vista a dificuldade de construção de um hardware completo que atenda as características necessárias para o estudo desses sinais e os desafios encontrados ao longo do desenvolvimento deste trabalho, optou-se pela utilização de um kit de desenvolvimento da Texas Instruments indicado para aplicação no estudo de sinais cerebrais. Essa decisão visou alcançar a melhor solução em relação à qualidade de captação dos sinais, ao menor tempo de desenvolvimento do hardware e ao menor custo. Com base no trabalho desenvolvido por Sousa et al. (2016), optou-se também pela utilização de uma plataforma Arduino para realizar a interface entre o kit de desenvolvimento e a plataforma computacional.
Além do desenvolvimento do hardware de aquisição, o presente trabalho propôs buscar uma solução para o tratamento dos sinais neurais, permitindo seu posterior estudo e utilização. Foi então desenvolvido um software em MATLAB, buscando a melhor abordagem para aplicação dos tratamentos dos sinais.
Dentre as dificuldades encontradas para a escolha dos componentes de hardware e o desenvolvimento do software, destacou-se a questão ética envolvendo o uso de indivíduos voluntários para o teste e validação do sistema como um todo. Portanto, com o intuito de evitar a necessidade de obtenção de sinais reais de indivíduos, optou-se pela utilização de sinais simulados para o desenvolvimento deste trabalho, subdividindo-o em duas principais frentes:
hardware e software. Assim, cada parte foi construída, testada e validada separadamente.
Deste modo, neste capítulo são apresentados de maneira detalhada os elementos empregados do hardware proposto para a aquisição, seu funcionamento e processo de validação. Também é apresentado o software, implementado em MATLAB para o tratamento dos sinais adquiridos e, de maneira semelhante, seus testes e validação e funcionamento.
3.1 ELEMENTOS DO HARDWARE DE AQUISIÇÃO
O hardware aplicado neste trabalho é constituído principalmente por uma das placas do kit de desenvolvimento do conversor ADS1299 da Texas Instruments e por uma plataforma microcontrolada, o Arduino UNO. O sistema de aquisição empregado é representado pelos estágios da Figura 20. Nele, os sinais simulados pela própria placa de aquisição, os quais consistem em ondas quadradas da ordem de milivolts, são enviados ao microcontrolador Arduino. Desta forma, este microcontrolador se encarrega do processamento inicial do sinal e seu envio ao computador, para que estes sejam então tratados digitalmente no MATLAB.
Figura 20: Fluxograma da solução utilizada.
Fonte: Autoria própria
3.1.1 Funcionamento e estrutura do ADS1299
O principal dispositivo do hardware de aquisição utilizado nesse projeto trata-se do ADS1299 da Texas Instruments. Esse componente foi escolhido devido suas características de funcionamento, sendo indicado pelo fabricante para aplicação na medição de biopotenciais (TEXAS INSTRUMENTS, 2016). O ADS1299 é um circuito integrado (CI) composto por modelos com 4, 6 ou 8 conversores A/D de 24 bits de amostragem simultânea, que permitem converter os sinais de até 8 canais (utilizando-se análise diferencial, bipolar ou análise não diferencial, monopolar), através do método de conversão A/D delta-sigma (∆Σ). Possui também 8 amplificadores de ganho programável (Programmable Gain Amplifier - PGA) embutidos, com ganhos: 1, 2, 4, 6, 8, 12 ou 24. Além disso o CI possui CMRR equivalente a -110dB, ruído de entrada mínimo de 1µVpp e taxa de amostragem de 250 a 16k amostras/segundo. O ADS1299 também possui circuitos internos que auxiliam no estudo dos sinais EEG como um oscilador interno, comunicação via SPI (Serial Peripheral Interface), possibilidade de geração de sinais internos para teste, entre outros (TEXAS INSTRUMENTS, 2017).
A Figura 21 apresenta o diagrama de funcionamento do ADS1299 de maneira simplificada. Nela pode-se observar a multiplexação das entradas entre os sinais diferenciais externos ou os sinais de teste internos do ADS, observa-se também a amplificação destes sinais pelos amplificadores programáveis e, por fim, sua conversão através dos conversores A/D. A interface para controle dos circuitos internos e leitura de dados pode ser feita por meio da porta SPI disponível na placa eletrônica.
Figura 21: Diagrama de blocos do funcionamento do ADS1299.
Fonte: (TEXAS INSTRUMENTS, 2017)
Para o correto funcionamento do ADS1299, deve-se observar as tensões de alimentação necessárias. A alimentação digital corresponde à 3,3 V, enquanto a alimentação analógica é de 5 V. A configuração do ADS é feita com base na alteração dos valores de seus registros internos. Para isso, é necessário o envio de um ou dois bytes por meio da comunicação SPI para controlar o dispositivo.
3.1.2 O evaluation module do ADS1299
A partir da escolha do dispositivo ADS1299 a ser utilizado no circuito de aquisição, tornou-se necessário o estudo de uma plataforma que comportasse tal CI, permitindo explorar melhor seus recursos. Tendo em vista as dificuldades de se construir um circuito que oferecesse as condições recomendadas para a aquisição de sinais de tão baixo potencial e buscando o melhor custo-benefício de uma plataforma para aplicação didática, optou-se pela utilização do EEG front-end performance demonstration kit ou evaluation module (kit ou módulo de demonstração) do ADS1299, o ADS1299EEG-FE, da Texas Instruments (TEXAS INSTRUMENTS, 2016).
front-end (AFE) ou evaluation board, que comporta o ADS1299, e a segunda uma motherboard
(MMB0), responsável pela alimentação da primeira e pelo controle e leitura da interface SPI para uma interface USB (Figura 22).
Figura 22: Evaluation Module do ADS1299.
Fonte: Adaptado de (TEXAS INSTRUMENTS, 2017)
Apesar do kit ser composto por ambas as placas, neste trabalho, optou-se pela utilização apenas da AFE, sendo que as etapas seguintes (de interface SPI e interface com o computador) foram realizadas pelo Arduino Uno. Esta configuração foi escolhida devido a motherboard original do kit (MMB0) possuir uma interface desenvolvida em LabView suportada apenas pelo sistema operacional Windows XP. Ademais, os resultados obtidos por Sousa et al. (2016) nos experimentos de aquisição de diferentes sinais biológicos se demonstraram satisfatórios utilizando a combinação AFE + Arduino Uno.
A AFE do kit de desenvolvimento é uma placa de circuito impresso construída para conectar o ADS1299 aos eletrodos, transmitindo os sinais de entrada desses até as portas do CI. Além disso, a AFE dispõe os sinais de saída, os sinais de controle e alimentação do ADS em dois conectores de interface. Na Figura 23 é possível conferir o diagrama de blocos representando cada uma das funções da placa e sua interação na conversão de sinais.
Figura 23: Diagrama de blocos da evaluation board do ADS1299EEG-FE (AFE).
Fonte: (TEXAS INSTRUMENTS, 2017)
Uma descrição mais detalhada de sua construção e o esquema elétrico da evaluation
board são apresentados no Apêndice A.
3.1.3 O Arduino Uno
O Arduino Uno é uma placa de hardware livre baseado no microcontrolador ATmega328P. Ele é utilizado para prototipagem de diversos dispositivos devido ao seu baixo custo e a sua linguagem de programação simples, semelhante ao C/C++. Dentre outras características, o Arduino permite a interligação com outros dispositivos pela interface SPI, possui interface serial UART para comunicação com o computador e também possui 14 entradas/saídas digitais e 6 entradas analógicas. Sua tensão de operação é 5 V CC, permitindo assim, disponibilizar 5 V CC e também 3,3 V CC para alimentação de dispositivos periféricos. O clock interno opera com velocidade de até 16 MHz, podendo ser configurado conforme a necessidade requerida pelo projeto (FARNELL, 2018).
Como já mencionado anteriormente, neste projeto o Arduino Uno foi empregado com a intenção de substituir a placa MMB0 do evaluation module. Seu objetivo foi realizar a interface de comunicação com o computador através da porta USB e também a interface com a AFE através do SPI, além de possibilitar o fornecimento dos níveis de tensão necessários de 5V e 3,3V para alimentação da mesma. Portanto, o Arduino foi programado de forma a enviar
os comandos (bytes de controle do ADS1299) necessários para as portas SPI, permitindo a modificação dos registradores internos do ADS1299 de acordo com a função desejada. Além disso, ele também foi responsável por receber os dados do sinal EEG após sua conversão e enviá-los ao computador por meio de sua interface serial UART. A taxa de 10kbps de leitura de dados analógicos do Arduino ainda permite que seja utilizada uma taxa de dados a serem enviados pela UART de até 9600 bauds.
A programação do Arduino foi adaptada de uma versão disponibilizada na comunidade
Open Brain-Computer Interface (OpenBCI), a qual consiste em uma comunidade de
compartilhamento de códigos abertos para o estudo de biosinais e plataformas BCI (Brain
Computer Interface), disponibilizando projetos de sistemas de aquisição de sinais biológicos,
além da venda de plataformas de menor custo para esse tipo de aplicação (OPENBCI, 2018). O código original apresenta uma solução para a utilização da interface do kit de desenvolvimento do ADS1299 com o Arduino Uno, explorando todas suas possibilidades de leitura dos 8 canais de entrada (OPENBCI, 2018). A versão ajustada para este trabalho buscou explorar apenas as funções de leitura monopolar ou bipolar dos sinais de entrada em diferentes combinações e a leitura dos sinais de teste internos gerados pelo ADS1299.
3.2 O HARDWARE DE AQUISIÇÃO DE SINAIS EEG
Conforme apresentado na Seção 3.1, foram utilizados dois elementos principais no
hardware de aquisição, a placa AFE do ADS1299 e o microcontrolador Arduino Uno. Ambos
foram utilizados de maneira conjunta para a obtenção e conversão dos sinais EEG até seu envio ao computador, para processamento e classificação. Nesta seção é apresentado o esquema de integração dos dois elementos e como foi validado seu funcionamento na aquisição dos sinais.
A Figura 24 apresenta em detalhes a conexão das duas placas, utilizando a comunicação por meio dos sinais de interface SPI e alimentação através dos conectores J3 e J4 do ADS1299EEG-FE (Tabela 2) e através das entradas digitais do Arduino. Para a conexão foram utilizados resistores de 1k e 390 Ohms, divisores de tensão para a regulagem dos sinais de comunicação entre os níveis de tensão 3,3V (da AFE) e 5V (do Arduino).
Figura 24: Conexão entre o Arduino e o ADS1299EEG-FE.
Fonte: Autoria Própria
Na Tabela 2 é possível visualizar a correspondência dos pinos da placa de demonstração e do Arduino.
Tabela 2: Conexão entre as portas do ADS1299EEG-FE e do Arduino.
Sinal Porta ADS1299EEG-FE Porta Arduino 5V J4-10 5V 3,3V J4-9 3,3V GND J4-5 GND CLKSEL J3-2 3,3V SPI_CLK J3-3 13 SPI_CS J3-7 10 RESET J3-8 9 SPI_IN (MOSI) J3-11 11 SPI_OUT(MISO) J3-13 12 SPI_START J3-14 GND SPI_DRDY J3-15 8
Fonte: Autoria Própria
através dos eletrodos que devem ser conectados às entradas. Então, internamente ao ADS1299 é realizada a conversão dos sinais analógicos para digitais, disponibilizando-os na porta MISO de comunicação SPI. Tais informações são recebidas pelo Arduino e enviadas enfim ao computador.
3.2.1 Validação do hardware de aquisição
Com o intuito de validar o hardware proposto anteriormente, o circuito de interface entre o AFE do ADS1299 e o Arduíno Uno foi montado na protoboard, representado na Figura 24. Foram utilizados fios para realizar a conexão das portas dos dois CIs e resistores foram empregados para realizar a conversão dos níveis de tensão entre 5V e 3,3V dos sinais de comunicação SPI. O sistema montado pode ser visualizado nas Figuras 25 e 26.
Figura 25: Montagem do hardware na protoboard.
Figura 26: Realização de testes no hardware montado.
Fonte: Autoria Própria
Conforme descrito na Seção 3.1.3 a programação do Arduíno Uno baseou-se no código disponibilizado pelo comunidade OpenBCI, sendo adaptado para a aplicação do hardware proposto. Sendo assim, pode-se controlar o ADS1299 e configurá-lo para realizar a leitura e conversão dos sinais em suas entradas durante intervalos de 60 s a partir do acionamento da tecla “x” do computador. A partir do acionamento da tecla, além de comandar o início da leitura e conversão dos sinais pela porta MOSI, o Arduíno iniciou em conjunto a leitura dos dados já convertidos disponibilizados na porta MISO da AFE. Os dados foram então encaminhados pelo Arduíno ao computador, sendo salvos em um arquivo de texto para posterior estudo no MATLAB.
Como discutido anteriormente, para evitar a utilização de pacientes na aquisição das ondas EEG o hardware foi testado por meio da utilização de sinais gerados pelo próprio ADS1299. Tais sinais são ondas quadradas cuja amplitude pode ser definida com±1 ou ±2 mV de amplitude, e frequência de 1 ou 2 Hz. Portanto, esses sinais foram utilizados para simular o comportamento do hardware na aquisição de EEG. Na Figura 27 é possível visualizar o perfil do sinal final recebido pelo MATLAB.
