Análise de classificadores multiclasse aplicados a sinais de EEG baseados em SSVEP

Página do item simplificado
dc.contributor.advisor1SILVA, Cleison Daniel
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1445401605385329
dc.contributor.advisor1ORCIDhttps://orcid.org/0000-0001-8280-2928
dc.creatorAZEVEDO, João Lucas Santos
dc.creator.Latteshttp://lattes.cnpq.br/6931577195271858
dc.date.accessioned2025-08-19T17:14:42Z
dc.date.available2025-08-19T17:14:42Z
dc.date.issued2025-08-13
dc.description.abstractBrain-Computer Interfaces (BCIs) have been gaining increasing prominence in academic research, with their optimization and refinement becoming a major focus in the fields of engineering and neuroscience. This is largely due to their potential to promote autonomy and improve quality of life, especially for individuals with motor impairments. Among the various approaches, BCIs based on Steady-State Visually Evoked Potentials (SSVEPs) stand out for their practicality and simplicity in converting visual stimuli into commands. SSVEP-based BCI systems rely on brain responses to visual stimuli calibrated at specific frequencies, which are interpreted as distinct commands for use in external devices or digital applications. In this context, the present study conducts a comparative analysis of multiclass classifiers applied to EEG signals acquired through the SSVEP paradigm, using public data from RIKEN-LABSP. Various feature extraction and preprocessing strategies were implemented prior to applying the Linear Discriminant Analysis (LDA), K Nearest Kneighbors (KNN) and Random Forest classifiers. The results demonstrate the feasibility of the approach, with maximum accuracies of 100%, 83.33%, and 74.81% for time windows of 2 s, 1 s, and 500 ms, respectively. The LDA classifier achieved the best performance among those evaluated, proving to be the most suitable for the proposed task.
dc.description.resumoInterfaces Cérebro-Máquina (ICM) têm cada vez mais tomado uma posição de destaque dentro do meio acadêmico, sendo sua otimização e refinamento um dos objetos de maior interesse no campo da engenharia e neurociência, devido ao seu potencial de promover autonomia e melhorar a qualidade de vida, especialmente de pessoas com limitações motoras. Entre as abordagens existentes, as ICMs baseadas em Steady-State Visually Evoked Potentials (SSVEPs) se destacam pela praticidade e simplicidade na conversão de estímulos visuais em comandos. Os sistemas ICM baseados em SSVEP usam respostas cerebrais à estímulos visuais calibrados em frequências específicas, os quais são interpretados como diferentes comandos, a fim de serem utilizados em um dispositivo externo ou aplicação digital. Neste contexto, o presente trabalho realiza uma análise comparativa de classificadores multiclasse aplicados a sinais de EEG obtidos com o paradigma SSVEP, utilizando dados públicos do RIKEN-LABSP. Foram implementadas diferentes estratégias de extração de características e pré-processamento antes da aplicação dos classificadores Linear Discriminant Analysis (LDA), K Nearest Kneighbors (KNN) e Random Forest. Os resultados demonstram a viabilidade da abordagem, com acurácias máximas de 100%, 83,33% e 74,81% para janelas temporais de 2s, 1 s e 500 ms, respectivamente. O classificador LDA apresentou o melhor desempenho entre os avaliados, sendo o mais adequado para a tarefa proposta.
dc.identifier.citationAZEVEDO, João Lucas Santos. Análise de classificadores multiclasse aplicados a sinais de EEG baseados em SSVEP. Orientador: Cleison Daniel Silva. 2025. 54 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica) – Faculdade de Engenharia Elétrica, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2025. Disponível em: https://bdm.ufpa.br/handle/prefix/8491. Acesso em:.
dc.identifier.urihttps://bdm.ufpa.br/handle/prefix/8491
dc.rightsAcesso Abertopt_BR
dc.rights.licenseAttribution-NonCommercial-NoDerivs 3.0 Brazilen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/
dc.source.uriDisponível na internet via Sagittapt_BR
dc.subjectEletroencefalografia
dc.subjectSSVEP
dc.subjectClassificação multiclasse
dc.subjectOtimização
dc.subjectAprendizado de máquina
dc.subjectElectroencephalography
dc.subjectMulticlass Classification
dc.subjectOptimization
dc.subjectMachine Learning
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA::BIOENGENHARIA::PROCESSAMENTO DE SINAIS BIOLOGICOS
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
dc.titleAnálise de classificadores multiclasse aplicados a sinais de EEG baseados em SSVEP
dc.typeTrabalho de Curso - Graduação - Monografia

Arquivo(s)

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TCC_AnaliseClassificadoresMulticlasse.pdf
Tamanho:
3.36 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