Sistemas de interface cérebro-máquina: classificação de imagética motora via geometria de Riemann com otimização bayesiana

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.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.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.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 Curso (Bacharelado em Engenharia da Computação) – Faculdade de 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.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 Curso - Graduação - Artigopt_BR

Arquivo(s)

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TCC_Artigo_SistemasInterfaceCerebro.pdf
Tamanho:
2.85 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 da Computação - FECOMP/CAMTUC
Logo do RepositórioLogo do Repositório