Use este identificador para citar o ir al link de este elemento: http://hdl.handle.net/1843/75984
Tipo: Dissertação
Título: Efeito da prática mental no eletroencefalograma durante tarefas visuo-motoras
Autor(es): Fabricio Javier Erazo Costa
primer Tutor: Danilo Barbosa Melges
primer Co-tutor: Carlos Julio Tierra Criollo
primer miembro del tribunal : Wallace do Couto Boaventura
Segundo miembro del tribunal: Sady Antônio dos Santos Filho
Resumen: A interface cérebro máquina (ICM) é um sistema de comunicação que converte sinais cerebrais registrados por meio do eletroencefalograma (EEG) em comandos para o controle de dispositivos externos. A prática mental (PM) de uma ação motora tem sido utilizada como método de treinamento pelo qual uma representação interna desta ação é repetida visando aumentar a performance da tarefa específica. Sabe-se que o registro do EEG durante a execução ou imaginação de movimentos (IM) repetitivos contém uma componente aleatória (EEG espontâneo) e uma componente de resposta à estimulação, denominada potencial relacionado ao evento (PRE) motor. Assim, o reconhecimento deste padrão (PRE) é uma das etapas fundamentais da ICM-IM, sendo necessária a extração de características relevantes desta resposta. Este trabalho tem como objetivo estudar o contingente de variação negativa (CNV) – componente de prontidão do PRE – ao longo de sessões de PM. Também de verificar o efeito da PM sobre a taxa de acerto da classificação entre duas classes de tarefas: visuo-motora (imaginação do movimento do dedo indicador) e visual (sem imaginação específica). Foram coletados sinais EEG de 17 eletrodos localizados nas regiões somato-sensitiva e motora de 7 indivíduos saudáveis durante 6 sessões de PM (Se1-Se6). Para a classificação foi utilizado o algoritmo máquina de vetores de suporte (SVM), empregando-se como características de entrada os valores da Magnitude Quadrática da Coerência (MSC) para frequências dentro da banda delta (0, 0,33, 0,67, 1 Hz) de sinais EEG de 4 voluntários. Inicialmente, as sessões Se1, Se3, Se4 e Se5 foram utilizadas para treinamento da máquina e Se6 para validação (Ensaio 1). Posteriormente, o treinamento foi efetuado com Se1 e a validação com Se3, Se4, Se5 e Se6 (Ensaio 2). Para o primeiro ensaio, o algoritmo alcançou taxas de classificação de 0,95, 0,7, 0,93 e 0,98 para os 4 sujeitos, respectivamente. Para o segundo, houve uma tendência de aumento da porcentagem de acerto da classificação com o passar das sessões, observado principalmente entre a segunda e a quinta sessões. Os sujeitos S1 e S3 apresentaram um aumento progressivo nas taxas de classificação ao longo de todas as sessões. Estes resultados sugerem que a PM possibilita o aumento no desempenho da execução/imaginação de tarefas motoras, se constituindo em uma ferramenta potencial para a melhoria de ICM-IM.
Abstract: The brain computer interface (BCI) is a communication system that translates brain signals recorded by means of the electroencephalogram (EEG) into commands to control external devices. The motor mental practice (MP) has been used as training method in which an internal representation of an action is repeated in order to increase the performance of a specific task. It is well known that the EEG recorded during repetitive movement execution or movement imagination (MI) has a random component (spontaneous EEG) and a stimulation response component, named motor event-related potential (ERP). The recognition of this pattern (ERP) is one of the main steps of the BCI-MI. Therefore, the extraction of relevant characteristics of the response is needed. This work aims at investigating the contingent negative variation (CNV) – the ERP readiness component – along the MP sessions. Furthermore, verify the effects of the MP in the hit rate classification between two classes: visual-motor task (index imagination movement) and visual task (without specific imagination). EEG signals were collected from 17 electrodes in the somatosensory and motor regions from 7 healthy individuals during 6 MP sessions (Se1-Se6). The Support Vector Machine (SVM) was employed as a classification algorithm, using the Magnitude- Squared Coherence (MSC) values within the delta band (0, 0,33, 0,67, 1 Hz) as input characteristic data. The MSC values were estimated for EEG signals from 4 volunteers, separately. First, the Se1, Se3, Se4 and Se5 sessions were used for machine training and Se6 for validation (case 1). Second, the machine training was performed using Se1 and the validation with Se3, Se4, Se5 and Se6 (case 2). In case 1, the algorithm achieved classification rates of 0.95, 0.7, 0.93 and 0.98 for the 4 subjects, respectively. In case 2, a trend of increasing in the hit rate percentage along the sessions was observed, mainly in the second and the fifth sessions. Subjects S1 and S3 showed a progressive improvement in the classification rates along all sessions. These results suggest that MP leads to an increase in the motor task execution/imagination performance, being a potential tool for BCI-MI improvement.
Asunto: Interface cérebro-computador
Neurociências
Idioma: por
País: Brasil
Editor: Universidade Federal de Minas Gerais
Sigla da Institución: UFMG
Departamento: ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA
Curso: Programa de Pós-Graduação em Engenharia Elétrica
Tipo de acceso: Acesso Aberto
URI: http://hdl.handle.net/1843/75984
Fecha del documento: 13-feb-2012
Aparece en las colecciones:Dissertações de Mestrado

archivos asociados a este elemento:
archivo Descripción TamañoFormato 
DISERTACAO_FabricioErazoCosta_entrega.pdf3.9 MBAdobe PDFVisualizar/Abrir


Los elementos en el repositorio están protegidos por copyright, con todos los derechos reservados, salvo cuando es indicado lo contrario.