Linear-prediction models for electroencephalographic (EEG) and multielectrode-array (MEA) signal analysis

dc.contributorDestro Filho, João Batista
dc.contributorhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4799766Y6
dc.contributorLacerda, Elisângela de Paula Silveira
dc.contributorhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4799942A6
dc.contributorCarrijo, Gilberto Arantes
dc.contributorhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4781864Y0
dc.contributorIshihara, João Yoshiyuki
dc.contributorhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4728135D6
dc.contributorCoutinho Filho, Ubirajara
dc.contributorhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4797915J2
dc.contributorPereira, Wilson Felipe
dc.contributorhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4785832P5
dc.creatorRibeiro, Jaqueline Alves
dc.date2016-06-22T18:38:42Z
dc.date2006-07-18
dc.date2016-06-22T18:38:42Z
dc.date2006-05-29
dc.date.accessioned2023-09-28T20:56:40Z
dc.date.available2023-09-28T20:56:40Z
dc.identifierRIBEIRO, Jaqueline Alves. Linear-prediction models for electroencephalographic (EEG) and multielectrode-array (MEA) signal analysis. 2006. 185 f. Dissertação (Mestrado em Engenharias) - Universidade Federal de Uberlândia, Uberlândia, 2006.
dc.identifierhttps://repositorio.ufu.br/handle/123456789/14464
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/9061206
dc.descriptionThis work establishes models of neurophysiological signals, which are composed of spontaneous activity measurements taken by means of multielectrode arrays (MEAs) applied on in vitro cell cultures; as well as of neurological signals based on electroencephalography. These models suppose that MEAs are employed as neuroprostheses applied for detection and forecast of epileptic seizures, based on EEG signals or on invasive measurements which are taken in a cellular level. From this point of view, the signal processing tools must fulfil a problematic trade-off involving low computational complexity and real-time operation. Such requirements lead to the choice of auto-regressive adaptive-linear filtering and high-order statistics (HOE) as the techniques to be used in order to cope with, respectively, non-stationary signals and nonlinear systems. Linear prediction of both signals is quite efficient, particularly in the case of MEA signals, for which the model is stable and accurate. On the other hand, the convergence times for EEG signals are lower then their respective counterparts for MEA signals, which may be considered mainly non-Gaussian and correlated. Cyclic activity was also observed for MEA signals associated with neighboring electrodes, whereas signals recorded from small groups of neurons present a white-noise behaviour.
dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior
dc.descriptionMestre em Ciências
dc.descriptionEsta dissertação objetiva propor modelos de sinais neurofisiológicos, oriundos de matrizes multieletrodo (MEA), utilizadas para a aquisição da atividade neural espontânea a partir de células em cultura; bem como medidas neurológicas obtidas de eletroencefalografia (EEG). Os modelos são desenvolvidos no contexto aplicativo de MEAs utilizadas como neuroimplantes, com especial enfoque na detecção e prevenção de crises epilépticas a partir de sinais EEG ou de medidas mais invasivas, obtidas em nível celular. Sob este enfoque, as técnicas de processamento de sinais devem satisfazer um compromisso complicado, exigindo baixa complexidade computacional e operação em tempo real. Tais restrições levam à escolha da filtragem linear adaptativa, baseada em modelo auto-regressivo, e à teoria de estatísticas de ordem elevada (EOE) para, respectivamente, processar sinais não-estacionários e considerar a não-linearidade dos sistemas envolvidos. O filtro de predição linear funcionou adequadamente para ambos os sinais, sendo que para o caso da MEA, ele foi mais estável e preciso. Observou-se um menor tempo de convergência para sinais EEG relativamente aos sinais MEA, os quais, em sua maioria, podem ser considerados não-gaussianos e correlacionados, ocorrendo uma atividade periódica em eletrodos vizinhos. A atividade neural espontânea de pequenos grupos de neurônios pode ser considerada um ruído branco.
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.languagepor
dc.publisherUniversidade Federal de Uberlândia
dc.publisherBR
dc.publisherPrograma de Pós-graduação em Engenharia Elétrica
dc.publisherEngenharias
dc.publisherUFU
dc.rightsAcesso Aberto
dc.subjectPredição linear
dc.subjectEstatística de ordem elevada
dc.subjectEletroencefalografia
dc.subjectMatriz multieletrodo
dc.subjectNeuroimplante
dc.subjectCodificação neural
dc.subjectEngenharia biomédica
dc.subjectProcessamento de sinais
dc.subjectLinear prediction
dc.subjectHigh-order statistics
dc.subjectElectroencephalography
dc.subjectMultielectrode arrays
dc.subjectNeuroprostheses
dc.subjectNeural coding
dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
dc.titleModelos de predição linear para análise de sinais eletroencefalográficos (EEG) e de matrizes multieletrodo (MEA)
dc.titleLinear-prediction models for electroencephalographic (EEG) and multielectrode-array (MEA) signal analysis
dc.typeDissertação


Este ítem pertenece a la siguiente institución