X SBAI – Simpósio Brasileiro de Automação Inteligente18 a 21 de setembro de 2011São João del-Rei - MG - Brasil

ISSN: 2175-8905 - Vol. X 187

RECONHECIMENTO DE ESTADOS MENTAIS NO EEG PARA APLICACAO EMTECNOLOGIAS ASSISTIVAS

Thiago de Aguiar Caloti∗, Andre Ferreira∗, Rodrigo Varejao Andreao†, LaızaConceicao Coelho∗

∗Departamento de Engenharia Eletrica, Universidade Federal do Espırito Santo - UFESAv. Fernando Ferrari, 514 — 29075-910 Vitoria-ES, Brasil

†Coordenadoria de Engenharia Eletrica, Instituto Federal de Educacao, Ciencia e Tecnologia - IFESAv. Vitoria, 1729 — 29040-780 Vitoria-ES, Brasil

Emails: thiagoaguiarcaloti@gmail.com, andrefer@ele.ufes.br, rodrigova@ifes.edu.br,

laizacoelho@gmail.com

Abstract— Brain Machine Interface (BMI) is an emerging technology that provides alternative channels ofcommunication without the use of conventional output paths, such as muscles or nerves. In this sense, thispaper proposes an BMI based on the EEG signal to command some movements of a robotic manipulator. Themethodology involves the processing of the EEG signal, its transmission to the robotic manipulator through awireless communication technology and modeling the movement of the manipulator through a kinematic model.The BMI implemented was tested from experiments on a database, available from University of TechnologyGraz, Austria. The results show that the proposed BMI is able to discriminate, with a rate hit over 90% ofmotor imagination of hands from the EEG signal, commanding some movements of the robotic manipulator.

Keywords— Robot Manipulator, Artificial Neural Networks, Support-Vector Machines, Electroencephalo-gram, Assistive Technologies.

Resumo— A Interface Cerebro-Maquina (ICM) e uma tecnologia emergente que prove canais alternativosde comunicacao, sem a utilizacao das vias de saıda convencionais, como musculos ou nervos. Neste sentido,este trabalho propoe uma ICM baseada no sinal de EEG para o comando de alguns movimentos de ummanipulador robotico. A metodologia desenvolvida envolve desde o processamento do sinal de EEG, a suatransmissao ate o manipulador robotico atraves de uma tecnologia de comunicacao sem fio e a modelagem dosmovimentos do manipulador atraves de um modelo cinematico. A ICM implementada foi testada a partir deexperimentos sobre uma base de dados, disponibilizada pela Universidade de Tecnologia de Graz, Austria. Osresultados obtidos mostram que a ICM proposta e capaz de discriminar, com uma taxa de acerto superior a 90%,a imaginacao motora de maos a partir do sinal de EEG, comandando alguns movimentos do manipulador robotico.

Palavras-chave— Robo Manipulador, Redes Neurais Artificiais, Maquinas de Vetor-Suporte, Eletroencefalo-grama, Tecnologias Assistivas.

1 Introducao

O desenvolvimento de novas tecnologias assisti-vas tem criado diversas possibilidades ao indivı-duo com deficiencia de interagir com o meio e comoutras pessoas, ampliando o seu espaco de acao(Wolpaw et al., 2002). De acordo com o grau dedependencia do indivıduo, e possıvel que o mesmodigite textos no computador, comande uma pro-tese robotica ou ate mesmo uma cadeira de rodasrobotizada (Ferreira et al., 2010).

Dentre as tecnologicas assistivas em desen-volvimento, as Interfaces Cerebro-Maquina (ICM)propiciam um canal de informacao alternativo,que nao faz uso das vias normais como nervos emusculos. As ICMs utilizam sinais puramente ce-rebrais, transcrevendo a vontade dos usuarios emcomandos para diferentes dispositivos, inclusiveroboticos. Desta forma, indivıduos com doencasneurodegenerativas ou com graves lesoes muscu-lares podem se beneficiar desta tecnologia.

Varios trabalhos de pesquisa vem sendo pu-blicados sobre ICMs aplicados ao problema da in-teracao entre o indivıduo e o computador. Neste

contexto, este trabalho propoe uma aplicacao queutiliza uma ICM baseada em eletroencefalograma(baixo custo, boa resolucao temporal, praticidadena aquisicao e nao invasivo) para o comando deum braco robotico. Os padroes no EEG sao ge-rados atraves da intencao de movimento de mem-bros superiores, traduzidos em comandos na ICMe transmitidos ate o braco robotico via um canalwireless. O movimento do braco robotico, por suavez, e possıvel gracas ao modelo cinematico imple-mentado (Silva et al., 2006). Neste sentido, o sis-tema proposto permite que o usuario, ao imaginaro movimento de maos, envie comandos por meioda ICM, para realizar o movimento de um bracomanipulador robotico. A acao desta ferramentaamplia as possibilidades do indivıduo de realizartarefas e interagir com o meio. A proposta e tes-tada a partir de registros de eletroencefalograma(EEG) reais.

2 O Sistema Implementado

Neste trabalho, a metodologia aplicada a ICM de-senvolvida envolve as seguintes etapas: aquisicao

X SBAI – Simpósio Brasileiro de Automação Inteligente18 a 21 de setembro de 2011São João del-Rei - MG - Brasil

ISSN: 2175-8905 - Vol. X 188

do sinal de EEG, extracao de caracterısticas, clas-sificacao dos padroes neuronais presentes no sinalde EEG, transmissao sem fio e controle do bracomanipulador robotico. A Figura 1 ilustra o sis-tema completo implementado.

Figura 1: Representacao em diagrama de blocosdo sistema implementado.

2.1 Sinal de EEG

O sistema proposto e testado a partir de expe-rimentos realizados sobre uma base de dados deEEG (Data Set III), disponibilizada pelo Depar-tamento de Informatica Medica da Universidadede Tecnologia de Graz, Austria (Schlogl, 2003).Esta base de dados de EEG e relativa a imagina-cao motora de maos e consiste em um total de 280registros divididos em dois conjuntos, treinamentoe teste. Cada conjunto contem 140 experimentos(trials) rotulados, onde 70 sao referentes a ima-ginacao motora de mao direita e as 70 restantesreferentes a imaginacao motora de mao esquerda.

Os dados sao obtidos de forma bipolar no en-torno das derivacoes C3, Cz e C4 (diretamente so-bre o cortex motor), de acordo com o Sistema In-ternacional 10-20 de posicionamento de eletrodos.

Cada experimento contem aproximadamenteum perıodo de gravacao de 9 s, a uma frequen-cia de amostragem de 128 Hz, resultando em 1152amostras/canal/experimento. Os dados foram fil-trados, mantendo o espectro de frequencias entre0.5Hz e 30Hz, e durante a gravacao da base foi uti-lizada realimentacao visual. A estrutura da basede dados e representada na Figura 2.

Figura 2: Estrutura da base de dados.

2.2 Extracao de Caracterısticas

Dentre os diversos metodos utilizados em ICMspara a extracao de caracterısticas, o metodo esco-lhido e nao-parametrico e definido no domınio dafrequencia, baseado na densidade espectral de po-tencia (PSD) (del R. Millan and Mourino, 2003).A analise da PSD do sinal de EEG expressa o nıvelde atividade em cada ritmo eletroencefalografico,e aqui, a PSD e baseada no metodo de Welch, vi-sando diminuir a variancia da estimativa final dedensidade espectral de potencia.

O sinal de EEG no tempo, e dividido em oitosegmentos, de igual comprimento com 50% de so-breposicao, sobre os quais se aplica a janela Black-man para atenuacao dos lobos laterais com tama-nho igual ao numero de pontos da FFT (nestecaso, metade da frequencia de amostragem do si-nal). Assim, obtem-se como saıda dois vetores,um representativo da densidade espectral de po-tencia e o outro com os valores de frequencia linearcorrespondente, com resolucao de 2 Hz.

Ao calcular a PSD e importante atentar parao tamanho maximo de cada segmento, tal que ocomportamento do sinal de EEG seja consideradoestacionario (del R. Millan and Mourino, 2003).

As componentes espectrais extraıdas do sinale utilizadas como caracterısticas estao entre 8 e30Hz, visto que os ritmos alfa e beta, descritos poresta faixa de frequencias, estao diretamente rela-cionados a imaginacao motora. Como a resolucaoe de 2 Hz, sao geradas 12 componentes pela PSD,relativas a cada canal diferencial (a saber, C3, Cze C4). Portanto, o vetor de caracterısticas, paracada experimento, e composto por 36 componen-tes (del R. Millan and Mourino, 2003). Para ilus-trar, analisou-se o sinal de EEG correspondente asduas classes de imaginacao motora, num intervalode tempo de 2 s, e verificou-se as componentes es-pectrais geradas pela PSD, que constituem o vetorde caracterısticas, de acordo com a Figura 3.

2.3 Classificadores

Neste artigo sao avaliados dois classificadores, asredes neurais artificiais e as maquinas de vetor-suporte. Tais classificadores tem apresentadobons resultados em ICMs baseadas em EEG e ima-ginacao motora de membros (Saggio et al., 2010).

2.3.1 Redes Neurais Artificiais

O primeiro classificador baseia-se numa rede Per-ceptron Multi-Camadas (MLP), composta portres camadas: duas ocultas (16 e 12 neuronios)e uma de saıda (1 neuronio). Os numeros de ca-madas e de neuronios que apresentaram os melho-res resultados foram obtidos atraves da analise dodesempenho do sistema, considerando-se o custocomputacional envolvido no treinamento, a com-plexidade dos algoritmos e os requisitos mınimos

X SBAI – Simpósio Brasileiro de Automação Inteligente18 a 21 de setembro de 2011São João del-Rei - MG - Brasil

ISSN: 2175-8905 - Vol. X 189

Figura 3: Exemplo de extracao de caracterısticas, com resolucao de 2Hz, utilizando a densidade espectralde potencia (12 componentes de 8 a 30 Hz, em dB/Hz). Sinais de EEG associados a imaginacao motorade maos de acordo com a base de dados de Graz.

de memoria envolvidos. Para tal, desenvolveu-seuma rotina para buscar uma topologia de redeneural artificial que apresentasse os melhores re-sultados, analisando como entrada as variacoespossıveis em toda estrutura da rede e verificandoo desempenho obtido. Os neuronios das primei-ras camadas possuem funcao de transferencia tan-gente sigmoide e o da ultima, sigmoide. O algo-ritmo de aprendizado supervisionado utilizado foio backpropagation.

2.3.2 Maquinas de Vetor-Suporte

A aplicacao das Maquinas de Vetor-Suporte(SVM ) as ICMs e recente, mas ja tem demostradobons resultados (Guler and Ubeyli, 2007; Khachabet al., 2007). Resumidamente, as principais van-tagens da SVM sao a robustez com grandes ba-ses de dados e vetores de caracterısticas de di-mensoes elevadas, boa capacidade de generaliza-cao sem tendencia ao sobretreinamento e teoriabem definida e baseada em analise funcional e es-tatıstica.

Dado um conjunto de pares de dados rotu-lados para treinamento (xi, yi), i = 1, 2, . . . , l

onde xi ∈ RN e yi ∈ {1,−1}l, a SVM requer solu-cao do problema de otimizacao

minw,b,ξ

1

2wT · w + C

l∑i=1

ξi (1)

sujeito a

yi(wT · φ(xi) + b) ≥ 1− ξi ; ξi ≥ 0 (2)

O vetor w e chamado de vetor de pesos e o escalarb e o parametro de polarizacao (bias). As varia-veis soltas, ξi, medem o desvio de um elemento dovetor de caracterısticas da condicao ideal de sepa-ratibilidade de padroes. E o parametro C controlao compromisso entre a complexidade da maquinae o numero de elementos nao-separaveis. Por isso,pode ser visto como uma forma de parametro deregularizacao.

Vetores de treinamento xi sao mapeados emum espaco de dimensao mais elevada pela funcaoφ. Assim, a SVM encontra um hiperplano linearde separacao com margem maxima neste espacode maior dimensao. A funcao kernel K(xi, xj) ≡φ(xi)

Tφ(xj) utilizada foi do tipo Base Radial(RBF ) (Schlogl et al., 2005). O kernel RBF podeser definido como:

K(xi, xj) = e−γ‖xi−xj‖2 , γ > 0. (3)

Para a selecao dos parametros C e γ do kernelRBF foi utilizado o metodo grid search (Changand Lin, 2001). Durante a fase de treinamento,aplicou-se a tecnica de validacao cruzada para ge-rar o modelo final do classificador SVM, evitandoo sobretreinamento.

2.4 ZigBee

A necessidade da comunicacao sem fio, justifica-se,primeiramente, devido a possibilidade de localiza-cao da ICM e do dispositivo a ser comandado porela, em ambientes distintos; e em segundo, por-que a ausencia de um meio de transmissao fısico

X SBAI – Simpósio Brasileiro de Automação Inteligente18 a 21 de setembro de 2011São João del-Rei - MG - Brasil

ISSN: 2175-8905 - Vol. X 190

permite maior flexibilidade do projeto, bem comomobilidade ao usuario da ICM.

Neste trabalho, a rede wireless ZigBee, pos-sui topologia em estrela com apenas dois nos, umcoordenador FFD (Full Function Device) e umdispositivo final RFD (Reduce Function Device).Os dispositivos ZigBee utilizados sao os modulosXBee, da MaxStream, operando no modo trans-parente. Neste modo de operacao, os dados saotransmitidos e recebidos da mesma forma que emuma comunicacao serial RS232 padrao (UART),representada na Figura 4.

Figura 4: Frame de dado padrao RS232.

Para integrar os dispositivos ZigBee ao com-putador, utilizou-se duas placas CON-USBBEE,convertendo a interface serial 3.3 V dos modulosXBee ao padrao USB (vide Figura 5).

Figura 5: Placa CON-USBBEE. a) Visao Supe-rior, b) Visao Inferior e c) Placa conetada a portaUSB.

2.5 Manipulador Robotico

Para a representacao de uma neuroprotese foi uti-lizado um robo manipulador com cinco graus deliberdade. Quatro articulacoes do robo possuemum potenciometro e um motor, acoplados rigi-damente atraves de um sistema de engrenagemque possibilita a movimentacao do braco robo-tico, como mostrado na Figura 6. A articulacaoda garra possui apenas o motor, ou melhor, naoutiliza o potenciometro como sensor de posicao,portanto nao e possıvel o controle em malha fe-chada da garra do manipulador.

As demais articulacoes possuem cada uma umcontrolador nebuloso. Esses controladores foramimplementados em um computador padrao IBM-PC, e as aquisicoes de dados foram feitas por pla-cas de conversao AD, com resolucao de 12 bits e

frequencia de transferencia de 330KHz com entra-das programaveis via software de±10V , e placa deconversao DA com 12 bits e saıdas programaveispor hardware de ±10V , conectadas ao barramentodo PC.

Figura 6: Manipulador robotico utilizado.

Modelagem Cinematica

A evolucao temporal das coordenadas das juntasde um robo representa o modelo cinematico de umsistema articulado no espaco tridimensional. Adescricao cinematica deste robo manipulador com5 graus de liberdade e apresentada em (Silva et al.,2006). A matriz de transformacao homogenea, apartir da representacao de Denavit-Hartenberg, erepresentada pela Equacao 4,

i−1i T =

cos(θi) − sin(θi) 0 ai−1sin(θi)β cos(θi)β −γ −γdisin(θi)γ cos(θi)γ β βdi

0 0 0 −1

(4)

onde β = cos(αi−1) e γ = sin(αi−1).Sendo assim, pode-se obter a posicao e a ori-

entacao do nth link relativo a um link de referen-cia, por exemplo, o link 0, atraves da concatenacaodas transformacoes individuais. Como o manipu-lador robotico utilizado apresenta quatro juntasrevolutas, e considerando a base como link de re-ferencia, obtemos a Equacao 5,

04T = 0

1T12T

23T

34T (5)

onde as coordenadas cartesianas x, y e z do ul-timo link em relacao a base sao dadas pela Equa-cao 6.

x = 04T(1,4)

y = 04T(2,4) (6)

z = 04T(3,4)

Os parametros da matriz podem ser observa-dos na Figura 7 que exemplifica as relacoes ante-riores do robo manipulador.

O estudo do modelo cinematico permitiu acompreensao dos movimentos das juntas na ge-racao de uma tarefa, visto que, as tarefas estaorelacionadas a alguns movimentos especıficos cor-respondentes as imaginacoes motoras de mao di-reita e esquerda.

X SBAI – Simpósio Brasileiro de Automação Inteligente18 a 21 de setembro de 2011São João del-Rei - MG - Brasil

ISSN: 2175-8905 - Vol. X 191

Figura 7: Modelo matematico atraves da notacaode Denavit-Hartenberg.

3 Resultados e Discussao

Nos testes realizados com o sistema, a base com osregistros reais de EEG serve de argumento a en-trada da ICM, passando, inicialmente, pela etapade extracao de caracterısticas e, em seguida, peloclassificador. Apos o resultado da classificacao dosdados de EEG, a priori desconhecidos pela ICM(conjunto de teste), os comandos de movimenta-cao sao enviados ao manipulador, de acordo com odesejo do usuario. Assim, o movimento executadopelo manipulador reflete a intencao de movimentodo usuario, para a direita ou esquerda.

E importante ressaltar que, apesar dos tes-tes do sistema terem sido realizados sobre umabase de dados de EEG, a ICM foi preparada paraaquisicao e processamento online dos sinais deEEG para o controle de alguns movimentos pre-definidos do manipulador robotico. As tarefas exe-cutadas pelo manipulador estao associadas ao nu-mero de classes da base de dados e envolvem todosos graus de liberdade do manipulador. Embora astarefas realizadas estejam associadas a movimen-tacao do robo para direita ou esquerda, a imple-mentacao de movimentos mais complexos e per-feitamente factıvel, visto que a plataforma (mani-pulador e ICM) esta preparada para tal.

3.1 Classificacao da Intencao do Movimento

Uma matriz de confusao e utilizada para visua-lizar o desempenho do processo de classificacao,indicando, por exemplo, qual a classe com maiorexatidao, ou de forma inversa, uma indicacao detendencia de erro associada a uma das classes dosistema. A matriz de confusao e expressa por:[

V P FPFN V N

]onde, VP, FN, FP e VN, significam verdadeiro po-sitivo, falso negativo, falso positivo e verdadeironegativo, respectivamente. O total de elementos

de determinada classe (por convencao, imaginacaomotora de mao esquerda) e dado por: V P +FN eo total de elementos da segunda classe (imagina-cao motora de mao direita) e dado por FP +V N .

Nestes termos, a exatidao (ACC) pode servista como a porcentagem de exemplos relativos aimaginacao motora de mao esquerda, serem classi-ficados corretamente como imaginacao motora demao esquerda. Desta forma, a taxa de acertos ecalculada utilizando a quantidade de VP e FP decada classe, da seguinte forma:

ACC =V P

V P + FP× 100. (7)

Analisando os resultados de classificacao apre-sentados na Tabela 1, verifica-se que a rede neuralproposta possui melhores resultados. Quanto aodesempenho da SVM, apesar de apresentar taxade acerto menor sobre o conjunto de teste, apre-senta taxa de acerto elevada sobre o conjunto detreinamento, equiparavel a taxa de acerto do clas-sificador neural.

Tabela 1: Medidas de Desempenho.Indicador MLP SVM

MatrizConf.

[31 34 32

] [29 76 28

]PacertoIM direita

91.43% 80%PacertoIM esquerda

88.57% 82.86%Pacertoconj. teste

90% 81.43%Pacertoconj. trein.

91.43% 90.48%

Enquanto neste trabalho os melhores resulta-dos tenham sido obtidos com as Redes NeuraisArtificiais, em (Nicolaou et al., 2008), um classifi-cador SVM melhorou a taxa de acerto em 16,3%,quando comparado a uma classificacao com RedesNeurais, usando o mesmo conjunto de caracterıs-ticas. Uma justificativa para a diferenca obtidareside no processo de inicializacao e ajuste dos pa-rametros da SVM.

3.2 Teste do Comando Remoto do ManipuladorRobotico

Com o intuito de permitir uma melhor utilizacaoda ICM proposta, bem como simular adequada-mente a resposta da mesma em funcao dos dadosde entrada, criou-se rotinas que integram as se-guintes etapas: escolha dos dados de origem daICM, processo de extracao de caracterısticas, clas-sificacao online dos dados de entrada, envio de da-dos por meio da comunicacao sem fio e controle domanipulador.

Para o teste do comando remoto do manipu-lador robotico, algumas etapas do sistema foramavaliadas separadamente. Inicialmente, testou-sea rede ZigBee independentemente do manipula-dor. Nesta fase, strings de caracteres eram en-viadas por meio de comandos seriais de escrita e

X SBAI – Simpósio Brasileiro de Automação Inteligente18 a 21 de setembro de 2011São João del-Rei - MG - Brasil

ISSN: 2175-8905 - Vol. X 192

leitura no modulo ZigBee associado a porta USB.Apos o ajuste da interface de comunicacao e ve-rificacao de confiabilidade da mesma atraves doACK de confirmacao de recebimento dos dados,utilizou-se como informacao a saıda relativa aoprocesso de classificacao, tal que esta saıda era en-viada pelo modulo ZigBee a maquina que realizao comando do braco robotico manipulador.

A movimentacao do manipulador foi, inicial-mente, testada separadamente. Os valores de refe-rencia para os angulos das articulacoes (referentesa uma dada tarefa) eram fornecidos e o movimentodo manipulador era avaliado. Verificou-se que oscontroladores nebulosos corrigiam quaisquer alte-racoes involuntarias (atrito das articulacoes, dis-tribuicao espacial de massa do robo) dos angulosdesejados. No computador associado ao manipu-lador, tomou-se o cuidado de evitar a execucaosimultanea de muitos aplicativos que consumiamrecursos intensos do processador.

Por fim, realizou-se a identificacao dos co-mandos, relativos a imaginacao motora de maos,enviados por meio da rede ZigBee pela ICM eexecutaram-se acoes de controle pre-definidas, de-finindo angulos especıficos para as articulacoes,para a geracao de dois movimentos especıficos domanipulador robotico. Assim, quando um co-mando era enviado pela ICM, primeiro verificava-se o sucesso no recebimento por meio do ACK(incremento no tempo de resposta da ICM emfuncao do intervalo de tempo necessario para aconfirmacao) e imediatamente o manipulador re-produzia um movimento especıfico relativo aquelecomando, com taxa de acerto dada pelo classifica-dor.

4 Conclusoes

A ICM apresentada neste trabalho destina-se aindivıduos nos quais o unico canal de comunicacaoe atraves de atividade eletrica cerebral.

O sistema implementado demonstra que aaplicacao de uma ICM baseada em imaginacaomotora de membros e viavel, que pode ser reali-zada com um numero reduzido de eletrodos associ-ados e com elevada taxa de acerto correspondenteas classes. Alem disso, por basear-se somente naanalise do sinal de EEG do usuario, tal interfacerepresenta uma alternativa nao invasiva para o co-mando de um braco robotico.

O sistema wireless utilizado neste trabalhoconfere a ICM caracterısticas importantes de dis-positivos portateis como o baixo consumo de ener-gia, baixo custo, seguranca, confiabilidade e pra-ticidade, principalmente considerando-se uma tec-nologia assistiva e os usuarios finais da mesma.

Agradecimentos

Os autores agradecem a CAPES pelo suporte fi-nanceiro parcial a esta pesquisa.

Referencias

Chang, C.-C. and Lin, C.-J. (2001). LIBSVM: alibrary for support vector machines.

del R. Millan, J. and Mourino, J. (2003). Asyn-chronous BCI and local neural classifiers: anoverview of the adaptive brain interface pro-ject., IEEE Transactions on Neural Systemsand Rehabilitation Engineering 11(2): 159–161.

Ferreira, A., Bastos-Filho, T. F., Sarcinelli-Filho,M., Sanchez, J. L. M., Garcıa, J. C. G. andQuintas, M. M. (2010). Improvements of aBrain-Computer Interface Applied to a Ro-botic Wheelchair, pp. 64–73.

Guler, I. and Ubeyli, E. D. (2007). Multiclass sup-port vector machines for EEG-signals classi-fication, IEEE Transactions on InformationTechnology in Biomedicine 11(2): 117–126.

Khachab, M., Kaakour, S. and Mokbel, C. (2007).Brain imaging and support vector machinesfor brain computer interface, Proceedings ofthe 4th IEEE International Symposium onBiomedical Imaging: From Nano to MacroISBI 2007, pp. 1032–1035.

Nicolaou, N., Georgeou, J. and Polycarpou, M.(2008). Autoregressive features for a thought-to-speech converter, Proceedings of the Inter-national Conference on Biomedical Electro-nics and Devices BIODEVICES 2008, Fun-chal, pp. 11–16.

Saggio, G., Cavallo, P., Ferretti, A., Garzoli, F.and Rita, L. (2010). Comparison of diffe-rent classifiers on a reduced set of featuresfor mental tasks-based brain computer inter-face, BIOSTEC pp. 174–179.

Schlogl, A. (2003). Data set: BCI-experiment, Disponıvel em: http:

//ida.first.fraunhofer.de/projects/

bci/competition_ii. Acessado em21/03/2010.

Schlogl, A., Lee, F., Bischof, H. and Pfurtschel-ler, G. (2005). Characterization of four-class motor imagery EEG data for the BCI-competition 2005, Journal of Neural Engine-ering 2(4): L14–122.

Silva, J. C. S., Linder, M., Irmao, M. A. S. andPerrone, R. (2006). Modelagem cinematicade um robo manipulador, Congresso Brasi-leiro de Ensino em Engenharia .

Wolpaw, J. R., Birbaumer, N., J.McFarland, D.,Pfurtscheller, G. and Vaughan, T. (2002).Brain-computer interfaces for communica-tion and control, Clinical Neurophysiology113(6): 767–791.