Sistemas de interface cérebro-máquina: classificação de imagética motora via geometria de Riemann com otimização bayesiana
Neste estudo, é apresentada uma nova metodologia para aprimorar o desempenho de sistemas de Interface Cérebro-Máquina baseados em Imagética Motora. Utilizaram-se informações de diferentes regiões do espectro dos sinais de eletroencefalografia, representadas como matrizes de covariância ponderadas pe...
| Autor principal: | LOPES, Danilo de Sousa |
|---|---|
| Grau: | Artigo |
| Publicado em: |
2024
|
| Assuntos: | |
| Acesso em linha: |
https://bdm.ufpa.br/jspui/handle/prefix/6504 |
| id |
oai:https:--bdm.ufpa.br:8443:prefix-6504 |
|---|---|
| recordtype |
dspace |
| spelling |
oai:https:--bdm.ufpa.br:8443:prefix-65042025-01-21T18:32:32Z Sistemas de interface cérebro-máquina: classificação de imagética motora via geometria de Riemann com otimização bayesiana LOPES, Danilo de Sousa SILVA, Cleison Daniel http://lattes.cnpq.br/1445401605385329 https://orcid.org/0000-0001-8280-2928 Interface cérebro-máquina Eletroencefalograma Otimização Bayesiana Geometria de Riemann CNPQ::ENGENHARIAS CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO Neste estudo, é apresentada uma nova metodologia para aprimorar o desempenho de sistemas de Interface Cérebro-Máquina baseados em Imagética Motora. Utilizaram-se informações de diferentes regiões do espectro dos sinais de eletroencefalografia, representadas como matrizes de covariância ponderadas pelo janelamento de sub-bandas no espaço Riemanniano. Para classificar essas matrizes, foi empregado o algoritmo Distância Mínima à Média de Riemann. Os hiperparâmetro que influenciam a faixa de frequência de interesse, comprimento da sub-banda e taxa de sobreposição, são refinados por meio da Otimização Bayesiana, que proporcionou novos graus de liberdade de ajustes individuais. Para a fusão da classificação das matrizes, foi adotado o algoritmo Light Gradient Boosting Machine, baseado no m´método Ensemble, que assegura uma melhor precisão final do modelo e alto desempenho na classificação da Imagética Motora. Os experimentos foram conduzidos com o conjunto de dados IIa da IV Competição Internacional de Interface Cérebro-Máquina, e, apesar dos resultados superiores em apenas dois sujeitos, não foram observadas melhorias substanciais em relação à abordagem do estado da arte. Ainda assim, a metodologia é promissora e indica potencial para futuras otimizações e desenvolvimentos. 2024-01-09T19:00:20Z 2024-01-09T19:00:20Z 2023-12-19 Trabalho de Curso - Graduação - Artigo LOPES, Danilo de Sousa. Sistemas de interface cérebro-máquina: classificação de imagética motora via geometria de Riemann com otimização bayesiana. Orientador: Cleison Daniel Silva. 2023. [6], 17 f. Trabalho de Curso (Bacharelado em Engenharia da Computação) – Faculdade de Engenharia da Computação, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2023. Disponível em: https://bdm.ufpa.br/jspui/handle/prefix/6504. Acesso em:. https://bdm.ufpa.br/jspui/handle/prefix/6504 Acesso Aberto Disponível na Internet via Sagitta |
| institution |
Biblioteca Digital de Monografias - UFPA |
| collection |
MonografiaUFPA |
| topic |
Interface cérebro-máquina Eletroencefalograma Otimização Bayesiana Geometria de Riemann CNPQ::ENGENHARIAS CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
| spellingShingle |
Interface cérebro-máquina Eletroencefalograma Otimização Bayesiana Geometria de Riemann CNPQ::ENGENHARIAS CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO LOPES, Danilo de Sousa Sistemas de interface cérebro-máquina: classificação de imagética motora via geometria de Riemann com otimização bayesiana |
| topic_facet |
Interface cérebro-máquina Eletroencefalograma Otimização Bayesiana Geometria de Riemann CNPQ::ENGENHARIAS CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
| description |
Neste estudo, é apresentada uma nova metodologia para aprimorar o desempenho de sistemas de Interface Cérebro-Máquina baseados em Imagética Motora. Utilizaram-se informações de diferentes regiões do espectro dos sinais de eletroencefalografia, representadas como matrizes de covariância ponderadas pelo janelamento de sub-bandas no espaço Riemanniano. Para classificar essas matrizes, foi empregado o algoritmo Distância Mínima à Média de Riemann. Os hiperparâmetro que influenciam a faixa de frequência de interesse, comprimento da sub-banda e taxa de sobreposição, são refinados por meio da Otimização Bayesiana, que proporcionou novos graus de liberdade de ajustes individuais. Para a fusão da classificação das matrizes, foi adotado o algoritmo Light Gradient Boosting Machine, baseado no m´método Ensemble, que assegura uma melhor precisão final do modelo e alto desempenho na classificação da Imagética Motora. Os experimentos foram conduzidos com o conjunto de dados IIa da IV Competição Internacional de Interface Cérebro-Máquina, e, apesar dos resultados superiores em apenas dois sujeitos, não foram observadas melhorias substanciais em relação à abordagem do estado da arte. Ainda assim, a metodologia é promissora e indica potencial para futuras otimizações e desenvolvimentos. |
| author_additional |
SILVA, Cleison Daniel |
| author_additionalStr |
SILVA, Cleison Daniel |
| format |
Artigo |
| author |
LOPES, Danilo de Sousa |
| title |
Sistemas de interface cérebro-máquina: classificação de imagética motora via geometria de Riemann com otimização bayesiana |
| title_short |
Sistemas de interface cérebro-máquina: classificação de imagética motora via geometria de Riemann com otimização bayesiana |
| title_full |
Sistemas de interface cérebro-máquina: classificação de imagética motora via geometria de Riemann com otimização bayesiana |
| title_fullStr |
Sistemas de interface cérebro-máquina: classificação de imagética motora via geometria de Riemann com otimização bayesiana |
| title_full_unstemmed |
Sistemas de interface cérebro-máquina: classificação de imagética motora via geometria de Riemann com otimização bayesiana |
| title_sort |
sistemas de interface cérebro-máquina: classificação de imagética motora via geometria de riemann com otimização bayesiana |
| publishDate |
2024 |
| url |
https://bdm.ufpa.br/jspui/handle/prefix/6504 |
| _version_ |
1829093162123001856 |
| score |
11.754717 |