Abordagens de aprendizado de máquina aplicadas à classificação de dados provenientes de equipamento ekletroencefalográfico não-invasivo

• Main Author: Santos, Alisson Ravaglio
• Other Authors: Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia Elétrica
• Format: Others
• Language: Portuguese
• Published: 2018
• Subjects: Engenharia elétrica
• Online Access: http://hdl.handle.net/1884/53435

Orientador : Prof. Dr. Leandro dos Santos Coelho === Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa: Curitiba, 01/12/2017 === Inclui referências : f. 109-117 === Resumo: A interface cérebro-computador (ICC, do inglês brain-computer interfaces, BCIs) tem emergido como uma área promissora de pesquisa. As ICCs podem possibilitar aos seus usuários a capacidade de comunicação e controle que não dependem de músculos. Esta dissertação visa utilizar um eletroencefalograma não-invasivo para, por meio da atividade cerebral das pessoas, controlar um processo denominado pêndulo, utilizando-se de uma abordagem de comunicação entre uma pessoa e uma máquina (interface cérebro-computador) por meio de classificações realizadas por algoritmos de Aprendizado de máquina (Machine Learning). Desta forma, o objetivo principal é desenvolver algoritmos de aprendizado de máquina capazes de classificar dados de um eletroencefalograma para controle de um processo pêndulo. Os algoritmos que foram utilizados na classificação dos sinais são: (i) máquina de aprendizado extremo, (ii) K vizinhos mais próximos, (iii) árvore de decisão, (iv) máquina de vetores de suporte, (v) máquina de vetores de relevância e (vi) XgBoost. Neste contexto, por meio de dados coletados de eletroencefalograma de uma pessoa e com a utilização dos algoritmos de Aprendizado de Máquina que classificam os sinais recebidos, tem-se como objetivo determinar o mínimo de erro possível (de acordo com a acurácia da matriz de confusão) entre as saídas desejadas a as saídas obtidas e, em seguida, gerar comandos para o controle de sistema de pêndulo onde será utilizado um controlador PID (Proporcional, Integral e Derivativo) adaptativo de Dahlin. Os resultados apresentados obtiveram valores de erros baixos, tanto para a acurácia matriz de confusão dos algoritmos quanto para estabelecer o controle do processo do pêndulo, com uma resposta satisfatória, de modo que o erro de saída do controlador, ITAE (Integral of Time Multiplied by the Absolute Value of Error - Integral do erro absoluto vezes o tempo), tenha resultado em um valor baixo com um bom controle do processo. Esta abordagem pode ser promissora e irá servir como base para projetos de sistemas que visam ajudar pessoas com limitações vinculadas de coordenação motora, tais como em casos de pessoas tetraplégicas ou quadriplégicas, que possuem paralisia em todas as quatro extremidades, superiores e inferiores, juntamente à musculatura do tronco, mas que possuem atividade cerebral. Por fim, este trabalho de dissertação visa contribuir com o processo de aquisição dos dados do eletroencefalograma e a utilização de algoritmos de aprendizado de máquina para a classificação destes dados, expondo os melhores algoritmos e padrões a serem utilizados no controle de um processo. Palavras-chave: Interface cérebro-computador. Aprendizado de Máquina. Pêndulo. === Abstract: The brain-computer interface (BCIs) has emerged as a promising area of research. The ICCs can give their users the ability to communicate and control without depending on muscles. Thus, this work aims to use an electroencephalogram to control a suspended pendulum by means of the brain activity of the people, an approach to a system of communication between a person and a machine (computer-brain interface) through algorithm classifications of machine learning. In this way, the main objective is to develop machine learning algorithms capable of classifying data of an electroencephalogram to control an overdamped pendulum process. The algorithms that were used to classify the signals are: (i) extreme learning machine, (ii) K nearest neighbors, (iii) decision tree, (iv) support vector machine, (v) relevance vector machine and (vi) XgBoost. In this context, through data collected from a person's electroencephalogram and using the Machine Learning algorithms to classify the received signals, the main objective is to determine the minimum possible error (according to the confusion matrix) between the desired outputs and the outputs obtained, and then generate commands for the overdamped pendulum system control that will be used a Dahlin Adaptive, Proportional, Integral and Derivative (PID) controller. The results obtained low error values, both for the confusion matrix of the algorithms and to establish the process control of the overdamped pendulum, with a satisfactory response, so that the controller output error, ITAE (Integral of Time Multiplied by the Absolute Value of Error - Integral of the absolute error times times), has resulted in a low value with a good process control for overdamped pendulum. This approach may be promising and will serve as the basis for projects aimed at helping people with related limitations of motor skills, such as in cases of tetraplegic or quadriplegic people who have paralysis in all four extremities, upper and lower, along the muscles of the trunk, but which have brain activity. Finally, this work aims to contribute with the process of electroencephalogram data acquisition and use machine learning algorithms to classify the electroencephalogram data, exposing the best algorithms and standards in systems without control of a process. Key words: Brain-computer interface. Machine Learning. Overdamped Pendulum.