PPGINF PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO FUNDAÇÃO UNIVERSIDADE FEDERAL DO ABC Telefone/Ramal: Não informado http://propg.ufabc.edu.br/ppginfo

Banca de QUALIFICAÇÃO: DOUGLAS CANONE GARCIA

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : DOUGLAS CANONE GARCIA
DATA : 01/06/2022
HORA: 15:00
LOCAL: por participação remota
TÍTULO:

Interfaces Cérebro-Computador Híbridas baseadas em Eletrofisiologia Não Invasiva


PÁGINAS: 79
RESUMO:

Ampliar a integração entre humanos e dispositivos de tecnologia assistiva impulsiona a demanda pelo desenvolvimento de técnicas que possibilitem maior independência para pessoas acometidas por limitações motoras e sensoriais, causadas por acidentes ou avanço da idade. O conceito de Interface Cérebro-Máquina (BCI) propõe o desenvolvimento de dispositivos de tecnologia assistiva utilizando a análise de biossinais do cérebro e seus desafios de implementação aumentam à medida que procedimentos menos invasivos são adotados para obtenção de sinais cerebrais. O conceito de Interface Cérebro-Máquina híbrida (hBCI) surge como uma alternativa para viabilizar sistemas BCI, e isso é possível através da fusão de biosinais de outras partes do corpo para compor um sistema híbrido que maximiza os resultados. Este trabalho inicia apresentando uma breve revisão bibliográfica de artigos científicos que se enquadram dentro deste conceito de hBCI, com uma restrição adicional de sinais eletrofisiológicos não invasivos obtidos através de eletrodos de superfície. A seguir, são apresentados os resultados e a discussão de um estudo envolvendo classificação de movimento real para aplicações hBCI, que teve como objetivo identificar e classificar dados eletroencefalográficos (EEG) e eletromiográficos (EMG) registrados durante a execução de movimentos reais, que foram posteriormente armazenados e a base de dados resultante, denominada pelos autores como Multimodal Signal Dataset (MMSD), foi disponibilizada publicamente na internet. Para validar a abordagem metodológica adotada neste estudo, foram utilizados dados de EEG do BCI Competition IV (dataset 2a), obtendo-se um desempenho de classificação superior ao alcançado pelos vencedores da competição. A metodologia proposta faz uso de técnicas de extração de características e aprendizado de máquina bem conhecidas pela comunidade científica, embora com algumas contribuições e ajustes. Em resumo, o método usa Análise de Componentes de Vizinhança para selecionar características de Padrão Espacial Comum regularizadas extraídas de sinais EMG e EEG. Após validação, esta mesma metodologia é então aplicada aos registos EMG e EEG do conjunto de dados MMSD, numa tarefa de classificação que consiste em diferenciar três tipos de movimento, envolvendo diferentes grupos musculares.


MEMBROS DA BANCA:
Presidente - Interno ao Programa - 1545987 - FRANCISCO JOSE FRAGA DA SILVA
Membro Titular - Examinador(a) Interno ao Programa - 1946319 - DIOGO COUTINHO SORIANO
Membro Titular - Examinador(a) Interno ao Programa - 1544392 - ALINE DE OLIVEIRA NEVES PANAZIO
Membro Suplente - Examinador(a) Interno ao Programa - 1761107 - RICARDO SUYAMA
Notícia cadastrada em: 02/05/2022 09:30
SIGAA | UFABC - Núcleo de Tecnologia da Informação - ||||| | Copyright © 2006-2022 - UFRN - sigaa-1.ufabc.int.br.sigaa-1-prod