| Summary: | Orientador: Prof. Dr. Diogo Coutinho Soriano === Dissertação (mestrado) - Universidade Federal do ABC. Programa de Pós-Graduação em Engenharia Biomédica, 2018. === A busca por materiais funcionais que possam desempenhar reparo e/ou regeneracao de Uma interface cérebro-computador (BCI) consiste em um sistema que busca extrair informações da atividade do sistema nervoso central e traduzi-las em comandos de saída, os quais podem eventualmente ser usados para controle de dispositivos assistivos. Mais do que contribuir para o controle de tecnologias assistivas ou reabilitação de pessoas com severas limitações, um sistema BCI pode contribuir para uma melhor compreensão do funcionamento cerebral e dos complexos mecanismos de cognição na medida em que se busca avaliar as variáveis mais relevantes para a eficiente decodificação de tarefas mentais. Entre as possíveis formas de se estudar o funcionamento cerebral destaca-se a quantificação da conectividade funcional, a qual visa estabelecer a similaridade observacional entre diferentes regiões cerebrais. Tal estratégia tem sido utilizada na caracterização e diagnóstico de patologias de grande relevância como depressão, Parkinson, Alzheimer, distúrbios de atenção, entre outras. Tendo isso em vista, este trabalho visou estudar o desempenho de decodificação de tarefas mentais a partir de métricas de grafos (grau, coeficiente de agregação, centralidade de intermediação e centralidade de autovetor) obtidas pela avaliação da conectividade funcional no contexto de sinais eletroencefalográficos na execução de paradigmas clássicos de sistemas BCI definidos pela imagética motora e os potenciais visualmente evocados em regime permanente (SSVEP). Além da análise comparativa entre tais métricas, o presente trabalho apresenta um estudo em relação ao desempenho de decodificação quando diferentes métodos de estimação da matriz de adjacência - forma de representação da conectividade funcional ¿ são utilizados, os quais abrangem as medidas de similaridade definidas pela correlação de Pearson, de Spearman e contagem de recorrência espaço-temporal (STR), sendo a última uma proposta original desta dissertação. Como resultado, para os sinais relacionados à BCIs baseadas em imaginação de movimentos, a STR obteve o melhor desempenho considerando todos os sujeitos e classes, mostrando-se uma possível abordagem para extração de características no contexto de sistemas BCI baseadas em imagética de tarefas. Para os sinais relacionados ao paradigma SSVEP, a decodificação baseada na conectividade funcional alcançou desempenhos satisfatórios, porém inferiores aos da análise em frequência classicamente utilizada neste contexto. === Brain-computer interface (BCI) consists of a system that aims to extract information from the activity of central nervous system and translate it into output commands, which can eventually be used to control assistive devices. More than contributing to the control of assistive technologies or rehabilitation of people with severe limitations, a BCI can also contribute to a better understanding of brain functioning and the complex mechanisms of cognition when evaluating the most relevant variables for the efficient decoding of mental tasks. Among the possible ways to study brain functioning, the functional connectivity quantification deserves careful attention, since it aims to establish the observational similarity between different brain regions. Such strategy has been used in the characterization and diagnosis of pathologies of great relevance such as depression, Parkinson, Alzheimer, attention disorders, among others. This work aimed to study the performance of decoding mental tasks from graph metrics (degree, clustering coefficient, betweenness centrality and eigenvector centrality) obtained by evaluation of functional connectivity in the context of electroencephalographic signals in the execution of classic BCI paradigms defined by motor imagery and steady state visually evoked potentials (SSVEP). In addition to the comparative analysis of such metrics, this work also presents a study regarding decoding performance when using different methods of adjacency matrix estimation - a functional connectivity representation - which include similarity measures defined by the correlation of Pearson, Spearman and Space-Time Recurrence counting (STR), being the latter an original proposal of this work. As main results, for signals related to motor imagery BCI, STR obtained the best performance considering all the subjects and classes, stablishing a possible approach for feature extraction in the context of motor imagery BCIs. For signals related to the SSVEP paradigm, decoding based on functional connectivity achieved satisfactory performance, but lower than the spectral analysis, classically used in this context.
|
|---|
