Mudanças entre as edições de "Redução de sensores de EEG e detecção de movimento motor através de Redes Neurais Artificiais"
Linha 1: | Linha 1: | ||
− | + | ;Autor: | |
+ | Vinicius Bandeira | ||
− | + | ;Orientador: | |
− | + | Prof. [[Ramon Mayor Martins]] | |
− | |||
− | + | ;Curso: | |
+ | Engenharia de Telecomunicações | ||
− | Nos últimos anos os estudos em inteligência artificial e aprendizado de máquina vem | + | ;Resumo: |
− | sendo muito difundidos e por isso já é comum vermos em muitos lugares algoritmos de | + | Nos últimos anos os estudos em inteligência artificial e aprendizado de máquina vem sendo muito difundidos e por isso já é comum vermos em muitos lugares algoritmos de reconhecimento de padrões sendo utilizados, seja num anúncio que se recebe de uma loja, seja em um chatBot que aprende com os erros cometidos ou nos carros autônomos Google e Tesla. |
− | reconhecimento de padrões sendo utilizados, seja num anúncio que se recebe de uma loja, | ||
− | seja em um chatBot que aprende com os erros cometidos ou nos carros autônomos Google | ||
− | e Tesla | ||
− | |||
− | |||
− | |||
− | |||
− | |||
− | |||
− | |||
− | |||
− | |||
− | |||
− | |||
− | |||
+ | Este trabalho tem por objetivo reconhecer padrões de movimentos voluntários através de inteligência artificial utilizando dados de tensão advindos do cérebro e captados via eletroencefalografia (EEG). Neste sentido prova-se também que é possível fazer um pré-processamento dos sinais EEG, reduzindo o esforço de processamento do sistema, diminuindo a quantidade de canais a serem analisados sem que haja dano ao reconhecimento dos padrões. Neste escopo conseguiu-se reduzir o número de sensores de 64 para 18, alcançando 72% de acerto no melhor caso - podendo variar para 73% através da manipulação da Rede Neural Artificial (RNA). | ||
− | Palavras | + | Dessa forma é possível provar que análises baseadas em teorias de sinais - como a que avalia a densidade espectral de um sinal - e também empíricas, geram resultados satisfatórios no que diz respeito ao erro de classificação das RNA aplicadas neste trabalho, chegando a uma porcentagem de acerto de cerca de 78% no melhor caso. |
− | Processamento de sinais. | + | |
+ | ;Palavras chave: | ||
+ | Redes Neurais Artificiais. Eletroencefalograma. Inteligência Artificial. Processamento de sinais. | ||
+ | |||
+ | ;Abstract: | ||
+ | In recent years studies in artificial intelligence and machine learning have been widespread and so it is already common to see in many places pattern recognition algorithms being used, whether in an ad that is received from a store or in a chatBot learning through mistakes made or in standalone cars Google and Tesla. | ||
+ | |||
+ | This work aims to recognize patterns of voluntary movements through artificial intelligence using voltage data from the brain and captured via electroencephalography. In this sense it is also proven that it is possible to pre-process the EEG signals, reducing the processing effort of the system, reducing the number of channels to be analyzed without any damage to the recognition of the patterns. In this scope we managed to reduce the number of sensors from 64 to 18, reaching 72% of success in the best case - being able to vary to 73% through the manipulation of the Artificial Neural Network (RNA). | ||
+ | |||
+ | In this way it is possible to prove that analyzes based on signal theories - such as the one that evaluates the spectral density of a signal - and also empirical ones, generate satisfactory results with respect to the classification error of the neural networks applied in this work, arriving at a percentage of about 78% in the best case. | ||
+ | |||
+ | ;Keywords: | ||
+ | Artificial Neural Networks. Electroencephalogram. Artificial Intelligence. Signal processing. | ||
+ | |||
+ | ;Arquivos: | ||
+ | Arquivos relacionados a trabalho, a monografia em pdf e também arquivos fontes e executáveis estão disponibilizados nos links abaixo: | ||
+ | *[[Media:TCC290_Vinicius_Bandeira.pdf |Monografia.pdf]] | ||
+ | |||
+ | [[Categoria:Trabalhos de Alunos]] | ||
+ | [[Categoria:Projeto de Fim de Curso]] |
Edição atual tal como às 10h31min de 11 de março de 2019
- Autor
Vinicius Bandeira
- Orientador
Prof. Ramon Mayor Martins
- Curso
Engenharia de Telecomunicações
- Resumo
Nos últimos anos os estudos em inteligência artificial e aprendizado de máquina vem sendo muito difundidos e por isso já é comum vermos em muitos lugares algoritmos de reconhecimento de padrões sendo utilizados, seja num anúncio que se recebe de uma loja, seja em um chatBot que aprende com os erros cometidos ou nos carros autônomos Google e Tesla.
Este trabalho tem por objetivo reconhecer padrões de movimentos voluntários através de inteligência artificial utilizando dados de tensão advindos do cérebro e captados via eletroencefalografia (EEG). Neste sentido prova-se também que é possível fazer um pré-processamento dos sinais EEG, reduzindo o esforço de processamento do sistema, diminuindo a quantidade de canais a serem analisados sem que haja dano ao reconhecimento dos padrões. Neste escopo conseguiu-se reduzir o número de sensores de 64 para 18, alcançando 72% de acerto no melhor caso - podendo variar para 73% através da manipulação da Rede Neural Artificial (RNA).
Dessa forma é possível provar que análises baseadas em teorias de sinais - como a que avalia a densidade espectral de um sinal - e também empíricas, geram resultados satisfatórios no que diz respeito ao erro de classificação das RNA aplicadas neste trabalho, chegando a uma porcentagem de acerto de cerca de 78% no melhor caso.
- Palavras chave
Redes Neurais Artificiais. Eletroencefalograma. Inteligência Artificial. Processamento de sinais.
- Abstract
In recent years studies in artificial intelligence and machine learning have been widespread and so it is already common to see in many places pattern recognition algorithms being used, whether in an ad that is received from a store or in a chatBot learning through mistakes made or in standalone cars Google and Tesla.
This work aims to recognize patterns of voluntary movements through artificial intelligence using voltage data from the brain and captured via electroencephalography. In this sense it is also proven that it is possible to pre-process the EEG signals, reducing the processing effort of the system, reducing the number of channels to be analyzed without any damage to the recognition of the patterns. In this scope we managed to reduce the number of sensors from 64 to 18, reaching 72% of success in the best case - being able to vary to 73% through the manipulation of the Artificial Neural Network (RNA).
In this way it is possible to prove that analyzes based on signal theories - such as the one that evaluates the spectral density of a signal - and also empirical ones, generate satisfactory results with respect to the classification error of the neural networks applied in this work, arriving at a percentage of about 78% in the best case.
- Keywords
Artificial Neural Networks. Electroencephalogram. Artificial Intelligence. Signal processing.
- Arquivos
Arquivos relacionados a trabalho, a monografia em pdf e também arquivos fontes e executáveis estão disponibilizados nos links abaixo: