Interface Cérebro-Máquina: uma abordagem ótima via distância de Riemann por subbanda

Página do item simplificado
dc.contributor.advisor1SILVA, Cleison Daniel
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1445401605385329pt_BR
dc.contributor.advisor1ORCIDhttps://orcid.org/0000-0001-8280-2928pt_BR
dc.creatorANJOS, Leilane de Jesus
dc.creator.Latteshttp://lattes.cnpq.br/7490826777994537pt_BR
dc.date.accessioned2024-11-19T17:44:48Z
dc.date.available2024-11-19T17:44:48Z
dc.date.issued2024-11-01
dc.description.abstractThis work presents the research report titled "Brain-Machine Interface: an optimal approach via Riemannian distance,"developed from September 1, 2023, to August 31, 2024, during the execution of the research project named "Optimization techniques applied to Brain-Machine Interface,"funded by the Amazon Foundation for Research Support, under the supervision of Professor Dr. Cleison Daniel Silva. This work was prepared following resolution nº1/2024 of the Faculty of Electrical Engineering - CAMTUC, which regulates the terms of the flexibilization of the Final Graduation Project in IN nº5/2023 of PROEG-UFPA. Brain-Machine Interface (BMI) systems are technologies capable of establishing communication between the human brain and external devices through neural signals, which can be collected via neuroimaging techniques such as electroencephalography (EEG), processed, and converted into commands. The research study focuses on improving classification performance in motor imagery-based BMI systems using the Minimum Distance to Riemannian Mean (MDRM) method through the Minimum Distance to Mean (MDM) classification algorithm for extracting discriminative information from EEG signals represented by positive definite symmetric covariance matrices defined by sub-bands, forming a normalized representation of the EEG signals that are fed into the Support Vector Machine (SVM) classification algorithm. The hyperparameters related to the frequency band of interest, the number of sub-bands, and classifier parameters are adjusted through Bayesian Optimization to address inter- and intra-subject characteristics, allowing for individual adjustments. The results obtained from a public dataset showed significant improvements compared to a previously proposed method. The classifier’s accuracy was used for comparison, serving as the basis for discussions and conclusions of the research.pt_BR
dc.description.resumoEste trabalho, apresenta o relatório de pesquisa intitulado "Interface Cérebro-Máquina: uma abordagem ótima via distância de Riemann", desenvolvido entre 01 de setembro de 2023 à 31 de agosto de 2024, durante a execução do projeto de pesquisa denominado "Técnicas de otimização aplicadas a Interface Cérebro-Máquina", financiado pela Fundação Amazônica de Amparo a Estudos e Pesquisas, sob orientação do professor Dr. Cleison Daniel Silva. Este trabalho foi elaborado seguindo a resolução nº1/2024 da Faculdade de Engenharia Elétrica- CAMTUC, que regulamenta os termos da flexibilização do Trabalho de Curso na IN nº5/2023 da PROEG-UFPA. Sistemas de Interface Cérebro Máquina (ICM) são tecnologias capazes realizar a comunicação entre o cérebro humano e dispositivos externos, a partir de sinais neurais, que podem ser coletadas, através de técnicas de neuroimagem como a eletroencefalografia (EEG), processadas e convertidas em comandos. O estudo da pesquisa, concentra-se em melhorar o desempenho de classificação em sistemas de ICM baseados em imagética motora usando o método de Mínima distância a Média de Riemann (do inglês Minimum Distance to Riemann Mean - MDRM) através do algoritmo de classificação Distância Mínima à Média (do inglês Minimum Distance to Mean - MDM) para a extração de informações discriminantes a partir de sinais de EEG representados por matrizes de covariância simétricas positivas definidas por sub-banda, formando uma representação normalizada dos sinais de EEG que são entregues ao algoritmo de classificação Máquina de Vetor de Suporte (do inglês Support Vector Machine). Os hiperparâmetros relacionados a faixa de frequência de interesse, número de sub-bandas e parâmetros do classificador, são ajustados por meio da Otimização Bayesiana de modo a lidar com as características inter e intra sujeitos, permitindo ajustes individuais. Os resultados obtidos a partir de um conjunto de dados públicos apresentaram melhorias significativas em comparação como um método previamente proposto. A acurácia do classificador foi utilizada para a comparação, servido de base para discussões e conclusões da pesquisa.pt_BR
dc.identifier.citationANJOS, Leilane de Jesus. Interface Cérebro-Máquina: uma abordagem ótima via distância de Riemann por subbanda. Orientador: Cleison Daniel Silva. 2024. [22] f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica) – Faculdade de Engenharia Elétrica, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2024. Disponível em: https://bdm.ufpa.br/jspui/handle/prefix/7442. Acesso em:.pt_BR
dc.identifier.urihttps://bdm.ufpa.br/jspui/handle/prefix/7442
dc.rightsAcesso Abertopt_BR
dc.source.uriDisponível na internet via Sagittapt_BR
dc.subjectGeometria de Riemannpt_BR
dc.subjectOtimização bayesianapt_BR
dc.subjectInterface cérebro-máquinapt_BR
dc.subjectRiemann geometrypt_BR
dc.subjectBayesian optimizationpt_BR
dc.subjectBrain-computer interfacept_BR
dc.subject.cnpqCNPQ::ENGENHARIASpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAOpt_BR
dc.titleInterface Cérebro-Máquina: uma abordagem ótima via distância de Riemann por subbandapt_BR
dc.typeTrabalho de Curso - Graduação - Relatóriopt_BR

Arquivo(s)

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TCC_Relatorio_InterfaceCerebroMaquina.pdf
Tamanho:
2.01 MB
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