Apresentação do artigo elaborado em 2023 por meio da Proeg nº 01/2023: aplicação da análise de correlação canônica em sistemas ICM baseados em SSVEP

Página do item simplificado
dc.contributor.advisor1SILVA, Cleison Daniel
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1445401605385329pt_BR
dc.creatorSOUSA, Sávio Milhomens de
dc.creator.Latteshttp://lattes.cnpq.br/1820172089000400pt_BR
dc.date.accessioned2024-01-05T12:43:28Z
dc.date.available2024-01-05T12:43:28Z
dc.date.issued2023-12-18
dc.description.abstractThis work addresses the presentation of the article entitled “Application of Canonical Correlation Analysis in SSVEP-based BCI Systems”, developed during the period from April 2023 to September 2023, during the research project, under the guidance of Professor Dr. Cleison Daniel Silva and presented at the “III Escola Regional de Aprendizado de Máquina e Inteligência Artificial Norte 2”. The BCI (Brain-Machine Interface) system is a technology capable of performing communications between humans and machines through brain activity in response to visual, imaginary, or somatosensory stimuli. This activity is acquired through methods such as electroencephalogram (EEG), processed, and converted into command signals. The study of the article focuses on information processing using the Canonical Correlation Analysis (CCA) method to assist in the classification of signals in BCI systems based on SSVEP (Steady-State Visually Evoked Potential). As a methodology, five CCA method approaches were performed in a Python environment, using the same data set and the same signal processing and classification technique, changing only the way the data is treated in the method. The data used comes from a public domain repository containing EEG signals from four subjects in the presence of SSVEP stimuli at frequencies of 8 Hz, 14 Hz and 28 Hz. In addition to CCA, the periodogram was used as a technique to maximize the extraction of signal characteristics resulting from the application of the method. In the classification step, the signals were grouped into three binary combinations between the stimulus frequencies, and for each pair, Linear Discriminant Analysis (LDA) was applied. Finally, the accuracy of the classifier was used as a parameter for discussions and conclusions of each approach. In general, it was noted that the results vary between individuals in a range of 38% to 100% accuracy. From the construction logic and the results of approach E, it is concluded that it is suitable for application in a real system.pt_BR
dc.description.resumoEste trabalho aborda a apresentação do artigo intitulado “Aplicação da Análise de Correlação Canônica em Sistemas ICM Baseados em SSVEP”, desenvolvido durante o período de Abril de 2023 a Setembro de 2023, durante a execução do projeto de pesquisa, sob orientação do Professor Dr. Cleison Daniel Silva e apresentado na III Escola Regional de Aprendizado de Máquina e Inteligência Artificial Norte 2. O sistema ICM (Interface Cérebro Máquina) é uma tecnologia capaz de realizar comunicações entre seres humanos e máquinas através da atividade cerebral em resposta a estímulos visuais, imaginários ou somatossensoriais. Essa atividade é aquisitada, por meio de métodos como o eletroencefalograma (EEG), processada e convertida em sinais de comando. O estudo do artigo se concentra no processamento de informações usando o método de Análise de Correlação Canônica (CCA) para auxiliar na classificação de sinais em sistemas ICM’s baseados em SSVEP (Potencial Evocado Visualmente em Estado Estável). Como metodologia, foram realizadas cinco abordagens do método CCA, em ambiente Python, usando o mesmo conjunto de dados e mesma técnica de processamento e classificação de sinais, alterando apenas a forma como os dados são tratados no método. Os dados usados são provenientes de um repositório de domínio público contendo sinais de EEG de quatro sujeitos em presença de estímulos de SSVEP em frequências de 8 Hz, 14 Hz e 28 Hz. Em adição ao CCA, utilizou-se do periodograma como tecnica para maximizar a extração de características dos sinais resultantes da aplicação do método. Na etapa de classificação os sinais foram agrupados em três combinações binárias entre as frequências de estímulo, e para cada par, foi aplicado a Análise do Discriminante Linear (LDA). Ao final, a acurácia do classificador foi utilizada como parâmetro para discussões e conclusões de cada abordagem. De forma geral, notou-se que os resultados variam entre os indivíduos numa faixa de 38% a 100% de acurácia. A partir da lógica de construção e dos resultados da abordagem E, conclui-se que essa é propícia para aplicação em um sistema real.pt_BR
dc.identifier.citationSOUSA, Sávio Milhomens de. Apresentação do artigo elaborado em 2023 por meio da Proeg nº 01/2023: aplicação da análise de correlação canônica em sistemas ICM baseados em SSVEP. Orientador: Cleison Daniel Silva. 2023. 22, [2] f. Trabalho de Curso (Bacharelado em Engenharia Elétrica) – Faculdade de Engenharia Elétrica, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2023. Disponível em: https://bdm.ufpa.br/jspui/handle/prefix/6497. Acesso em:.pt_BR
dc.identifier.urihttps://bdm.ufpa.br/jspui/handle/prefix/6497
dc.rightsAcesso Abertopt_BR
dc.source.uriDisponível na Internet via Sagittapt_BR
dc.subjectICMpt_BR
dc.subjectSSVEPpt_BR
dc.subjectProcessamento de dadospt_BR
dc.subjectCCApt_BR
dc.subjectBCIpt_BR
dc.subjectData processingpt_BR
dc.subject.cnpqCNPQ::ENGENHARIASpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAOpt_BR
dc.titleApresentação do artigo elaborado em 2023 por meio da Proeg nº 01/2023: aplicação da análise de correlação canônica em sistemas ICM baseados em SSVEPpt_BR
dc.typeTrabalho de Curso - Graduação - Artigopt_BR

Arquivo(s)

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TCC_Artigo_ApresentacaoArtigoElaborado.pdf
Tamanho:
1022.22 KB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.84 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Aparece na Coleção

Faculdade de Engenharia Elétrica - FEE/CAMTUC
Logo do RepositórioLogo do Repositório