Detecção e classificação de imagética motora utilizando sinais de EEG e aprendizado de máquina

A Interface Cérebro Máquina tem-se mostrado uma tecnologia promissora para desenvolvimento de dispositivos que venham a auxiliar pessoas com algum déficit motor em suas atividades de vida diária, principalmente com uso da imagética motora, que é a resposta cerebral dada no ato de imaginar um movimento real, ainda que o membro relacionado ao movimento não exista. Há de se considerar ainda a plasticidade neural, uma característica do cérebro que o torna capaz de realizar novas conexões, desta forma, até mesmo os indivíduos com um pequeno dano cerebral poderia estar apto ao uso de uma Interface Cérebro Máquina, com o devido treinamento. Dentre as diversas formas de captar os sinais cerebrais o Eletroencefalograma é uma técnica de baixo custo, não invasiva, e capaz de fornecer informações do córtex cerebral de maneira satisfatória, principalmente com o avanço das técnicas computacionais, capazes de eliminar os ruídos advindos dos processos de aquisição. Neste trabalho é realizado um estudo do desempenho de classificadores inteligentes na separação de movimentos da imagética motora, relacionados a movimentos das mãos e pés. Para tal, os sinais foram decompostos em sete níveis com a transformada de Wavelet, e utilizados os seguintes atributos: Coeficiente, Desvio padrão, Energia, Entropia, Média, Range e Skewness, extraídos de todos os níveis. Os testes foram efetuados com os classificadores: Bayes Net, Naive Bayes, Multilayer Perceptron, Support Vector Machine, Extreme Learning Machine, Morphological Extreme Learning Machine, J48, Random Forest e Randon Tree, onde foi possível obter resultados de acurácia acima de 99%, acompanhados de Kappa superiores a 0,9, que levaram a entender que a abordagem inicial foi eficiente e pode ser utilizada para futuras avaliações com diversos indivíduos a fim de verificar sua reprodutibilidade.The Brain Machine Interface has been shown to be a promising technology. It is being used to develop devices that may help people with motor disabilities in their daily activities. One of the main methods is motor imagery. It is the brain response to the act of imagining a real movement, even if the member related to the movement does not exist. An important aspect to be considered is neural plasticity. It is a brain characteristic that makes it capable of making new connections. So even individuals with a small brain damage could be able to use a Brain Machine Interface after a proper training. Among the many ways of acquiring brain signals, the electroencephalogram has some benefits. It is a low-cost, non-invasive technique. It may provide satisfactory information from the cerebral cortex. Moreover, the most modern equipment are able to remove most of the noise arising from acquisition. In this study we access intelligent classifiers performance in the differentiation of motor imagery signals related to movements of the hands and feet. For this, the signals were decomposed into seven levels using Wavelet transform. The following features were extracted from all levels: Coefficient, Standard deviation, Energy, Entropy, Mean, Range and Skewness. We performed tests with the classifiers: Bayes Net, Naïve Bayes, Multilayer Perceptron, Support Vector Machine, Extreme Learning Machine, Morphological Extreme Learning Machine, J48, Random Forest and Random Tree. Achieving results of accuracy above 99% and Kappa statistic higher than 0.9. Thus, we found that the initial approach was efficient. It has the potential to be used for future evaluations with several individuals, in order to verify experiment’s reproducibility