Please use this identifier to cite or link to this item: https://bdm.ufpa.br/jspui/handle/prefix/6504
Compartilhar:
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1SILVA, Cleison Daniel-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1445401605385329pt_BR
dc.creatorLOPES, Danilo de Sousa-
dc.creator.Latteshttp://lattes.cnpq.br/1285540960572750pt_BR
dc.date.accessioned2024-01-09T19:00:20Z-
dc.date.available2024-01-09T19:00:20Z-
dc.date.issued2023-12-19-
dc.identifier.citationLOPES, Danilo de Sousa. Sistemas de interface cérebro-máquina: classificação de imagética motora via geometria de Riemann com otimização bayesiana. Orientador: Cleison Daniel Silva. 2023. [6], 17 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) – Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2023. Disponível em: https://bdm.ufpa.br/jspui/handle/prefix/6504. Acesso em:.pt_BR
dc.identifier.urihttps://bdm.ufpa.br/jspui/handle/prefix/6504-
dc.description.resumoNeste estudo, é apresentada uma nova metodologia para aprimorar o desempenho de sistemas de Interface Cérebro-Máquina baseados em Imagética Motora. Utilizaram-se informações de diferentes regiões do espectro dos sinais de eletroencefalografia, representadas como matrizes de covariância ponderadas pelo janelamento de sub-bandas no espaço Riemanniano. Para classificar essas matrizes, foi empregado o algoritmo Distância Mínima à Média de Riemann. Os hiperparâmetro que influenciam a faixa de frequência de interesse, comprimento da sub-banda e taxa de sobreposição, são refinados por meio da Otimização Bayesiana, que proporcionou novos graus de liberdade de ajustes individuais. Para a fusão da classificação das matrizes, foi adotado o algoritmo Light Gradient Boosting Machine, baseado no m´método Ensemble, que assegura uma melhor precisão final do modelo e alto desempenho na classificação da Imagética Motora. Os experimentos foram conduzidos com o conjunto de dados IIa da IV Competição Internacional de Interface Cérebro-Máquina, e, apesar dos resultados superiores em apenas dois sujeitos, não foram observadas melhorias substanciais em relação à abordagem do estado da arte. Ainda assim, a metodologia é promissora e indica potencial para futuras otimizações e desenvolvimentos.pt_BR
dc.description.provenanceSubmitted by Lucas Viana Aguiar (lucasvianaaguiar@outlook.com) on 2024-01-04T13:50:31Z No. of bitstreams: 1 TCC_Artigo_SistemasInterfaceCerebro.pdf: 2989383 bytes, checksum: 752d16fa9e0752570c15a466ea874d96 (MD5)en
dc.description.provenanceApproved for entry into archive by Mayara Menezes (mayara@ufpa.br) on 2024-01-09T19:00:20Z (GMT) No. of bitstreams: 1 TCC_Artigo_SistemasInterfaceCerebro.pdf: 2989383 bytes, checksum: 752d16fa9e0752570c15a466ea874d96 (MD5)en
dc.description.provenanceMade available in DSpace on 2024-01-09T19:00:20Z (GMT). No. of bitstreams: 1 TCC_Artigo_SistemasInterfaceCerebro.pdf: 2989383 bytes, checksum: 752d16fa9e0752570c15a466ea874d96 (MD5) Previous issue date: 2023-12-19en
dc.rightsAcesso Abertopt_BR
dc.source.uriDisponível na Internet via Sagittapt_BR
dc.subjectInterface cérebro-máquinapt_BR
dc.subjectEletroencefalogramapt_BR
dc.subjectOtimização Bayesianapt_BR
dc.subjectGeometria de Riemannpt_BR
dc.subject.cnpqCNPQ::ENGENHARIASpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAOpt_BR
dc.titleSistemas de interface cérebro-máquina: classificação de imagética motora via geometria de Riemann com otimização bayesianapt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Artigopt_BR
dc.contributor.advisor1ORCIDhttps://orcid.org/0000-0001-8280-2928pt_BR
Appears in Collections:Faculdade de Engenharia da Computação - FECOMP/CAMTUC

Files in This Item:
File Description SizeFormat 
TCC_Artigo_SistemasInterfaceCerebro.pdf2,92 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons