interface cÉrebro-mÁquina: tcc.ecomp.poli.br/20141/  · cial para obtenção do diploma de...

Download INTERFACE CÉREBRO-MÁQUINA: tcc.ecomp.poli.br/20141/  · cial para obtenção do diploma de Bacharel

Post on 30-Sep-2018

212 views

Category:

Documents

0 download

Embed Size (px)

TRANSCRIPT

  • INTERFACE CREBRO-MQUINA:

    RECONHECIMENTO DE SINAIS

    CEREBRAIS ATRAVS DE RESERVOIR

    COMPUTING

    Trabalho de Concluso de Curso

    Engenharia de Computao

    Felipe Costa Farias

    Orientador: Prof. Dr. Carmelo Jos Albanez Bastos Filho

  • Felipe Costa Farias

    INTERFACE CREBRO-MQUINA:

    RECONHECIMENTO DE SINAIS

    CEREBRAIS ATRAVS DE RESERVOIR

    COMPUTING

    Monograa apresentada como requisito par-cial para obteno do diploma de Bacharelem Engenharia de Computao pela EscolaPolitcnica de Pernambuco - Universidade dePernambuco

    Orientador:

    Prof. Dr. Carmelo Jos Albanez Bastos Filho

    Universidade de Pernambuco

    Escola Politcnica de Pernambuco

    Graduao em Engenharia de Computao

    Recife - PE, Brasil

    30 de maio de 2014

  • Scanned by CamScanner

  • Dedico este trabalho aos meus familiares e amigos que sempre me incentivaram na

    caminhada acadmica.

  • Agradecimentos

    Agradeo a Deus por todas as pessoas, oportunidades e conquistas que Ele me presen-

    teou. Aos meus familiares: meus pais Flvio Farias e Cludia Farias, pelos ensinamentos,

    amor, carinho e esforos que tiveram para a minha educao e carter. A minha irm,

    Flvia Farias, pela convivncia e amor por mim. A minhas tias, Clia Costa e Celi Costa,

    pelo amor e incentivo nos estudos. A minha noiva, Camila Bacelar, pelo amor, pacin-

    cia e fora para continuar. Ao meu orientador, Carmelo Bastos, pelo tempo e sabedoria

    dedicada em minha orientao. E a todos os professores e funcionrios da POLI.

  • Resumo

    A Interface Crebro-Mquina utiliza sinais cerebrais paras con-trolar dispositivos externos atravs da traduo desses sinaisem comandos. A ICM tem grande utilidade no auxlio de pes-soas com os mais diversos tipos de decincias. Este trabalhose props a estudar a inuncia temporal, espacial e combina-cional dos sinais adquiridos atravs de EEGs. Para isto, foramutilizados 3 classicadores de padres instantneos: Percep-tron de Mltiplas Camadas com o algoritmo backpropagation,Mquinas de Aprendizado Extremo e Mquinas de Vetor deSuporte com kernel de base radial, e 1 classicador de padrestemporais: Reservoir Computing com o algoritmo de treina-mento Echo State Network. Foram propostas 4 conguraesdiferentes para avaliar as taxas de acerto dos classicadores,que utilizaram 14 canais de EEG para realizar a classicaode movimentos imaginados do punho esquerdo ou direito deforma offline de 5 sujeitos diferentes. A escolha do EEG paraefetuar a classicao se deu devido ao fato de ser um pro-cedimento no invasivo e de baixo custo. Utilizou-se o bancode dados eegmmidb para realizar as simulaes. Foram feitostestes estatsticos para a comparao das tcnicas. A partir daanlise estatstica de Wilcoxon, foi sugerido que a inunciatemporal dos sinais de EEG merece ser considerada durantea classicao. Percebeu-se tambm que, se os classicadoresfossem treinados para sujeitos especcos, em alguns casos, astaxas de classicao melhoravam consideravelmente.Palavras-chave: Reservoir Computing, Perceptron de Mlti-plas Camadas, Rede de Estado de Eco, Mquinas de Vetor deSuporte,Mquinas de Aprendizado Extremo, Interface Crebro-Mquina, Eletroencefalograma.

  • Abstract

    The Brain Machine Interface uses brain signals to control ex-ternal devices by translating these signals to commands. TheBMI is very useful in helping people with various types of di-sabilities. This paper aimed to study the temporal, spatial emcombinational inuence of the signals acquired through EEGs.In order to do this it were used 3 classiers of instant pat-terns: Multilayer Perceptron with the backpropagation algo-rithm, Extreme Learning Machine and Support Vector Ma-chine with the Radial Basis Function kernel, and 1 classier oftemporal patterns: Reservoir Computing, with the Echo StateNetwork algorithm. It were proposed 4 dierent congurati-ons to evaluate the accuracy rates of the classiers, that used14 channels of EEG to perform the moviment imagery classi-cation of left and right sts in an oine way of 5 dierentsubjects. The choice of EEG to accomplish the classicationwas due to the fact that this is a non-invase and inexpensiveprocedure. The eegmmidb database was used to perform thesimlations. Statistical tests were performed to compare thetechniques. From the Wilcoxon statistical analysis, it was sug-gested that the temporal inuence of EEG signals is worth toconsider during the classication. It was also noticed that, ifthe classiers were trained for specic subjects, in some cases,classication rates improved considerably.Keywords: Reservoir Computing, Multilayer Perceptron,Echo State Network, Support Vector Machine, Extreme Lear-ning Machine, Brain Machine Interface, Eletroencephalogram.

  • Sumrio

    Lista de Figuras p. x

    Lista de Tabelas p. xi

    Lista de Abreviaturas e Siglas p. xi

    1 Introduo p. 1

    1.1 Qualicao do Problema . . . . . . . . . . . . . . . . . . . . . . . . . p. 1

    1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 1

    1.2.1 Objetivos Especcos . . . . . . . . . . . . . . . . . . . . . . . . p. 2

    1.3 Estrutura da Monograa . . . . . . . . . . . . . . . . . . . . . . . . . . p. 2

    2 Referencial Terico p. 3

    2.1 Aquisio de Sinais Biolgicos . . . . . . . . . . . . . . . . . . . . . . . p. 3

    2.1.1 Eletromiograma (EMG) . . . . . . . . . . . . . . . . . . . . . . p. 3

    2.1.2 Eletrocardiograma (ECG) . . . . . . . . . . . . . . . . . . . . . p. 4

    2.1.3 Eletrooculograa (EOG) . . . . . . . . . . . . . . . . . . . . . . p. 4

    2.1.4 Eletrocorticograa (ECOG) . . . . . . . . . . . . . . . . . . . . p. 4

    2.1.5 Eletroencefalograa (EEG) . . . . . . . . . . . . . . . . . . . . . p. 5

    2.2 Interface Crebro-Mquina . . . . . . . . . . . . . . . . . . . . . . . . . p. 6

    2.3 Classicadores de Padres Instantneos . . . . . . . . . . . . . . . . . . p. 9

    2.3.1 Perceptron de Mltiplas Camadas . . . . . . . . . . . . . . . . . p. 9

    2.3.2 Mquinas de Aprendizado Extremo . . . . . . . . . . . . . . . . p. 12

  • 2.3.3 Mquinas de Vetor de Suporte . . . . . . . . . . . . . . . . . . . p. 13

    2.4 Classicadores de Padres Temporais . . . . . . . . . . . . . . . . . . . p. 15

    2.4.1 Reservoir Computing . . . . . . . . . . . . . . . . . . . . . . . . p. 15

    2.4.1.1 Modelo Bsico . . . . . . . . . . . . . . . . . . . . . . p. 16

    2.4.1.2 Parmetros da ESN . . . . . . . . . . . . . . . . . . . p. 18

    2.4.1.2.1 Tamanho do Reservoir . . . . . . . . . . . . . p. 18

    2.4.1.2.2 Esparsidade do Reservoir . . . . . . . . . . . p. 18

    2.4.1.2.3 Raio Espectral . . . . . . . . . . . . . . . . . p. 18

    2.4.1.2.4 Taxa de Vazamento . . . . . . . . . . . . . . . p. 19

    2.4.1.2.5 Nmero de Passos do Aquecimento . . . . . . p. 19

    2.4.1.3 Treinamento da ESN . . . . . . . . . . . . . . . . . . . p. 19

    3 Propostas e Arranjo Experimental p. 20

    3.1 Entradas dos Classicadores . . . . . . . . . . . . . . . . . . . . . . . . p. 20

    3.2 Pr-processamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 20

    3.3 Sadas dos Classicadores . . . . . . . . . . . . . . . . . . . . . . . . . p. 21

    3.4 Utilizao dos EEGs . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 21

    3.5 Conguraes dos Classicadores . . . . . . . . . . . . . . . . . . . . . p. 22

    3.5.1 Conguraes MLP . . . . . . . . . . . . . . . . . . . . . . . . . p. 22

    3.5.2 Conguraes ELM . . . . . . . . . . . . . . . . . . . . . . . . . p. 23

    3.5.3 Conguraes SVM . . . . . . . . . . . . . . . . . . . . . . . . . p. 23

    3.5.4 Conguraes ESN . . . . . . . . . . . . . . . . . . . . . . . . . p. 24

    3.6 Banco de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 24

    3.6.1 Protocolo de Aquisio dos Dados . . . . . . . . . . . . . . . . . p. 24

    3.6.2 Preparao do Banco de Dados . . . . . . . . . . . . . . . . . . p. 26

    3.7 Simulaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 27

  • 4 Resultados p. 28

    4.0.1 Conguraes MLP . . . . . . . . . . . . . . . . . . . . . . . . . p. 28

    4.0.2 Conguraes ELM . . . . . . . . . . . . . . . . . . . . . . . . . p. 29

    4.0.3 Conguraes SVM . . . . . . . . . . . . . . . . . . . . . . . . . p. 30

    4.0.4 Conguraes ESN . . . . . . . . . . . . . . . . . . . . . . . . . p. 31

    4.1 Anlise Estatstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 32

    4.1.1 Teste de Wilcoxon . . . . . . . . . . . . . . . . . . . . . . . . . p. 32

    5 Consideraes Finais p. 33

    5.1 Concluses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 33

    5.2 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 34

    Referncias p. 35

  • Lista de Figuras

    1 Eletromiograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 3

    2 Eletrocardiograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 4

    3 Eletrooculograa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 4

    4 Instalao da Matriz de Eletrodos para Realizao do ECOG . . . . . p. 5

    5 Eletroencefalograa . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 5

    6 Modelo de Sistema ICM Genrico . . . . . . . . . . . . . . . . . . . . . p. 9

    7 Arquitetura da MLP com uma Camada Intermediria . . . . . . . . . p. 11

    8 Fronteiras de Deciso . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 15

    9 Estrutura de uma ESN Bsica . . . . . . . . . . . . . . . . . . . . . . p. 17

    10 Tangente Hiperblica . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 21

    11 Disposio dos Eletrodos no Sistema 10-10 . . . . . . . . . . . . . . . . p. 22

    12 Bo

Recommended

View more >