dc.contributorTierra Criollo, Carlos Julio
dc.contributorhttp://lattes.cnpq.br/5743404268947726
dc.contributorhttp://lattes.cnpq.br/3990946136913836
dc.contributorMiranda de Sá, Antônio Mauricio Ferreira Leite
dc.contributorhttp://lattes.cnpq.br/4306437718089895
dc.contributorIchinose, Roberto Macoto
dc.contributorMeggiolaro, Marco Antonio
dc.creatorSaito, Éric Kauati
dc.date2020-10-14T01:31:25Z
dc.date2023-09-27T03:00:24Z
dc.date2019-06
dc.date.accessioned2023-09-27T13:41:38Z
dc.date.available2023-09-27T13:41:38Z
dc.identifierhttp://hdl.handle.net/11422/13223
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8911939
dc.descriptionThe classification of different Motor Imagery (MI) tasks of the same limb remains a challenge using electroencephalography (EEG), since its representation in the motor cortex area is very close spatially. Methods that consider the information flow, like Partial Directed Coherence (PDC), have shown to be promising for brain-computer interface (BCI) of the same limb. The objective of this thesis is to identify the MI of elbow flexion and extension to activate a robotic arm with a synchronous BCI. Parameters and preprocessing methods were study in offline classification before their online application. EEG signals of two volunteers were recorded performing during the MI of the elbow flexion and extension, following a robotic arm. For each volunteer, the connectivity function was used to obtain the characteristics for artificial neural network (ANN) training. Four online session were performed. In online validation (3 class: MI elbow flexion and extension and rest), the best accuracy for the first volunteer was 48.0% (third session), and 58.0% for the second volunteer (fourth session). Therefore, directed connectivity looks promising for the development of online BCI for the classification of MI of the same limb.
dc.descriptionA classificação de diferentes tarefas de Imagética Motora (IM) no mesmo membro ainda é um grande desafio utilizando Eletroencefalografia (EEG), uma vez que a sua representação no córtex motor é muito próxima espacialmente. As técnicas que consideram o fluxo de informação, como a Coerência Direcionada Parcial (PDC), têm se mostrado promissoras para Interface Cérebro-Máquina (ICM) do mesmo membro. O objetivo deste trabalho é identificar online a IM da flexão e extensão do cotovelo para acionamento de um braço robótico numa interface cérebro-máquina síncrona. Parâmetros e técnicas de pré-processamento foram estudados em classificação offline antes da sua aplicação online. Os sinais de EEG de dois participantes foram registrados durante a IM da flexão e extensão do cotovelo, seguindo o braço robótico. A função de conectividade foi utilizada para obter as características para o treinamento da Rede Neural Artificial (RNA) para cada voluntário. Então, quatro sessões online foram executadas. Na validação online (3 classes: IM de flexão e extensão do cotovelo e da situação de repouso), os melhores valores de acurácia foram 48,0%, para o primeiro voluntário (na terceira sessão) e 58,0% para o segundo voluntário (na quarta sessão). Assim, a conectividade direcionada se mostra promissora para o desenvolvimento de ICM online para a classificação de tarefas de imaginação no mesmo membro
dc.languagepor
dc.publisherUniversidade Federal do Rio de Janeiro
dc.publisherBrasil
dc.publisherInstituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
dc.publisherPrograma de Pós-Graduação em Engenharia Biomédica
dc.publisherUFRJ
dc.rightsAcesso Aberto
dc.subjectInterface Cérebro-Máquina
dc.subjectEEG
dc.subjectConectividade
dc.subjectOnline
dc.subjectRedes Neurais Artificiais
dc.subjectCNPQ::ENGENHARIAS
dc.titleConectividade cerebral para o controle online de interfaces cérebro-máquina
dc.typeDissertação


Este ítem pertenece a la siguiente institución