Multi-Classificação de Sinais de Eletroencefalograma, para Imaginação Motora, usando Processamentos Estatísticos de Sinais e Deep Learning
DOI:
https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1107Palavras-chave:
Processamento de Sinais Digitais, Aprendizado Profundo, ImaginaçãoResumo
Objetivos: A classificação dos sinais de eletroencefalograma (EEG) é a base para a construção de sistemas com interface cérebro-computador. Seu desenvolvimento depara-se com a complexidade dos sinais de EEG, que se diferem de sujeito para sujeito, tornando sua classificação complexa. Diante disso, esse trabalho visa comparar o desempenho de uma rede neural artificial utilizando diferentes técnicas de processamento de sinal, na classificação de um estado de repouso e dois estados de imaginação de movimento (IM). Métodos: Para esse trabalho, utilizou-se de três técnicas estatísticas de processamento de sinais e uma Rede Neural Convolucional. O banco de dados utilizado para a classificação consiste no registro de EEG de 109 voluntários, disponibilizado pela Physionet. Resultado e Conclusão: Observou-se que a Análise de Componentes Principais reduziu o custo computacional sem perda de desempenho na acurácia. Entretanto, a Análise de Componentes Independentes e a Análise Espectral Singular não obtiveram resultados promissores.
Referências
Pfurtscheller G, Da Silva FL. Event-related EEG/MEG synchronization and desynchronization: basic principles. Clinical neurophysiology. 1999 Nov 1;110(11):1842-57.
Pfurtscheller G, Müller GR, Pfurtscheller J, Gerner HJ, Rupp R. ‘Thought’–control of functional electrical stimulation to restore hand grasp in a patient with tetraplegia. Neuroscience letters. 2003 Nov 6;351(1):33-6.
Craik A, He Y, Contreras-Vidal JL. Deep learning for electroencephalogram (EEG) classification tasks: a review. Journal of neural engineering. 2019 Apr 9;16(3):031001.
Kobayashi, T., Kuriki, S., Principal component elimination method for the improvement of S/N in evoked neuromagnetic field measurements. IEEE Transactions on Biomedical Engineering 46, 951-958.
Agarwal S, Zubair M. Classification of Alcoholic and Non-Alcoholic EEG Signals Based on Sliding-SSA and Independent Component Analysis. IEEE Sensors Journal. 2021 Oct 15;21(23):26198-206.
Hendrycks D, Gimpel K. Gaussian error linear units (gelus). arXiv preprint arXiv:1606.08415. 2016 Jun 27.
Congedo M, Barachant A, Bhatia R. Riemannian geometry for EEG-based brain-computer interfaces; a primer and a review. Brain-Computer Interfaces. 2017 Jul 3;4(3):155-74.
Goldberger AL, Amaral LA, Glass L, Hausdorff JM, Ivanov PC, Mark RG, Mietus JE, Moody GB, Peng CK, Stanley HE. PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. circulation. 2000 Jun 13;101(23):e215-20.
Gramfort A, Luessi M, Larson E, Engemann DA, Strohmeier D, Brodbeck C, Goj R, Jas M, Brooks T, Parkkonen L, Hämäläinen M. MEG and EEG data analysis with MNE-Python. Frontiers in neuroscience. 2013:267.
Loboda A, Margineanu A, Rotariu G, Lazar AM. Discrimination of EEG-based motor imagery tasks by means of a simple phase information method. International Journal of Advanced Research in Artificial Intelligence. 2014 Oct;3(10)..
Tangermann M, Müller KR, Aertsen A, Birbaumer N, Braun C, Brunner C, Leeb R, Mehring C, Miller KJ, Mueller-Putz G, Nolte G. Review of the BCI competition IV. Frontiers in neuroscience. 2012:55.
Pion-Tonachini L, Kreutz-Delgado K, Makeig S. The ICLabel dataset of electroencephalographic (EEG) independent component (IC) features. Data in brief. 2019 Aug 1;25:104101.
Pion-Tonachini L, Makeig S, Kreutz-Delgado K. Crowd labeling latent Dirichlet allocation. Knowledge and information systems. 2017 Dec;53(3):749-65.
SCCN. (n.d.). SCCN: Independent Component Labeling. Retrieved September 10, 2022, from https://labeling.ucsd.edu/tutorial/labels
Kai Ming Ting. 2011. Encyclopedia of machine learning. Springer. ISBN 978–0–387–30164–8.
Kim TK. Understanding one-way ANOVA using conceptual figures. Korean journal of anesthesiology. 2017 Feb 1;70(1):22-6.
Lawhern VJ, Solon AJ, Waytowich NR, Gordon SM, Hung CP, Lance BJ. EEGNet: a compact convolutional neural network for EEG-based brain–computer interfaces. Journal of neural engineering. 2018 Jul 27;15(5):056013.
Downloads
Publicado
Como Citar
Edição
Secção
Licença
Direitos de Autor (c) 2023 William Henrique Pereira Costa
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
