Spelling suggestions: "subject:"eletroencefalografia dde ritmo alla."" "subject:"eletroencefalografia dee ritmo alla.""
1 |
Desenvolvimento de um aparelho de eletroencefalografia mobile de baixo custoOtoni, Julliano da Silva January 2019 (has links)
Orientador: José Luiz Rybarczyk Filho / Resumo: O objetivo deste trabalho foi produzir um dispositivo coletor de biopotenciais por EEG de baixo custo. Como características o protótipo apresentou alta imunidade a ruído, faixa de frequência de trabalho e tensão, seguindo as especificações necessárias para a coleta dos sinais EEG. O circuito eletrônico e o roteamento foram desenvolvidos no software Eagle R e então a placa foi construída pelo método fotográfico com posterior corrosão por percloreto de ferro e solda-gem manual dos componentes. O circuito montado é composto por: amplificadores diferenciais configurados com um ganho na ordem de 169,66, filtros de frequência intercalados e um mi-crocontrolador ESP32@ que munido de conversor analógico-digital foi configurado para uma amostragem de 356 amostras por segundo e resolução de 12 bits, o que possibilitou leituras com passos de 2,198x10-4 V. Os filtros foram projetados para atuar na redução de ruidos contidos na faixa de 50 a 60Hz. O funcionamento do dispositivo móvel microcontrolado teve seu funciona-mento comprovado através do método de detecção de ondas alfa, ondas estas que alteram suas intensidade quando nos encontramos concentrados com os olhos abertos ou fechados. A captura de ondas alfa compreendidas entre 8 a 13 Hz foi validada nas seguintes condições: 1 minuto com os olhos fechados (alta atividade) e 1 minuto com os olhos abertos (baixa atividade). O dispositivo produzido mostrou-se promissor como uma alternativa de baixo custo e com simpli-cidade de produção, qu... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: The objective of this work was to produce a low cost EEG biopotential collecting device. As characteristics the prototype presented high immunity to noise, working frequency range and voltage, following the specifications required for the collection of EEG signals. Electronic circuit and routing were developed in the Eagle R software and the plate was then constructed by the photographic method with subsequent iron perchloride corrosion and manual soldering of the components. The assembled circuit consists of: differential amplifiers configured with a gain of the order of 169.66, frequency filters interleaved and an ESP32 @ microcontroller which has an analog-to-digital converter configured for a sampling of 356 samples per second and resolution of 12 bits, which allowed for readings with steps of 2.198x10-4 V. The filters were designed to act in the reduction of noise contained in the range of 50 to 60Hz. The operation of the microcontrolled mobile device has proven its function through the method of detecting alpha waves, waves that change their intensity when we are concentrated with the eyes open or closed. The capture of alpha waves between 8 and 13 Hz was validated under the following conditions: 1 minute with eyes closed (high activity) and 1 minute with eyes open (low activity). The device produced was promising as a low-cost, simplified production alternative when compared to models available on the market for EEG signal capture. / Mestre
|
2 |
Análise das bandas alfa e teta do eletroencefalograma durante tarefa escrita de aritméticaBonança, Giovanna Melato January 2020 (has links)
Orientador: José Luiz Rybarckzyk Filho / Resumo: Humanos adultos têm a capacidade de realizar tarefas aritméticas com grande acurácia. É uma atividade que elenca vários processos cognitivos, portanto é um bom foco de estudo para a con- tribuição de conhecimentos na área de neurociências. O eletroencefalograma, um exame não invasivo e com boa capacidade de captar um evento no momento em que ele ocorre, é uma boa ferramenta para analisar a atividade aritmética no encéfalo. Muitos estudos já o fizeram rela- cionando essa atividade com as bandas alfa e teta. Como o uso de dispositivos mobile ainda é pouco usado em pesquisas e o sinal de eletroencefalograma é decomposto com a Transformada de Fourier, que tem a limitação de baixa resolução temporal, o objetivo do nosso estudo foi replicar os dados encontrados na literatura com um dispositivo de EEG mobile de baixo custo e decompor o sinal com auxílio do Matching Pursuit, que apresenta boa resolução temporal. Utilizamos o dispositivo mobile Emotiv Epoc de 14 eletrodos para captar o sinal de 60 voluntá- rios em duas condições: repouso e atividade aritmética de multiplicação de quatro números por outros quatro. O sinal obtido foi decomposto com auxílio do Matching Pursuit. Comparamos repouso com atividade e hemisfério direito com esquerdo. Obtivemos resultados similares aos estudos relacionados à atividade fásica. / Abstract: Adults have the ability to perform arithmetic tasks with great accuracy. Arithmetic task is an activity that demands several cognitive processes, so it is a good focus of study for the contribution of knowledge in the field of neuroscience. The electroencephalogram is a non- invasive exam with good capacity to capture an event at the moment it occurs, is a good tool to analyze the arithmetic activity in the brain. Many studies have already done this by relating this activity to the alpha and theta bands. The use of mobile devices is still uncommon in research and the electroencephalogram signal is decomposed with the Fourier Transform, which has the limitation of low temporal resolution. The purpose of our study was to replicate the data found in the literature with a Low cost mobile EEG and decompose the signal with Matching Pursuit, which has good temporal resolution. We used the Emotiv Epoc device with 14 electrodes to capture the signal of 60 volunteers in two conditions: rest and arithmetic activity of multiplying four numbers. The obtained signal was decomposed with Matching Pursuit, comparing rest with activity and right with left hemisphere. We obtained results similar to studies related to phasic activity. / Mestre
|
3 |
Seizure detection in electroencephalograms using data mining and signal processing / Detecção de convulsões em eletroencefalogramas usando miner- ação de dados e processamento de sinaisOrellana, Marco Antônio Pinto 10 March 2017 (has links)
Submitted by Reginaldo Soares de Freitas (reginaldo.freitas@ufv.br) on 2017-08-22T13:26:59Z
No. of bitstreams: 1
texto completo.pdf: 5760621 bytes, checksum: f90e38633fae140744262e882dc7ae5d (MD5) / Made available in DSpace on 2017-08-22T13:26:59Z (GMT). No. of bitstreams: 1
texto completo.pdf: 5760621 bytes, checksum: f90e38633fae140744262e882dc7ae5d (MD5)
Previous issue date: 2017-03-10 / Agencia Boliviana Espacial / A epilepsia é uma das doenças neurológicas mais comuns definida como a predisposição a sofrer convulsões não provocadas. A Organização Mundial da Saúde estima que 50 milhões de pessoas estão sofrendo esta condição no mundo inteiro. O diagnóstico de epilepsia implica em um processo caro e longo baseado na opinião de especialistas com base em eletroencefalogramas (EEGs) e gravações de vídeo. Neste trabalho, foram desenvolvidos dois métodos para a predição automática de convulsões usando EEG e mineração de dados. O primeiro sistema desenvolvido é um método específico para cada paciente (patient-specific) que consiste em extrair características espectro-temporais de todos os canais de EEG, aplicar um algoritmo de redução de dimensão, recuperar o envelope do sinal e criar um modelo usando um classificador random forest. Testando este sistema com um grande banco de dados de epilepsia, atingimos 97% de especificidade e 99% de sensibilidade. Assim, a primeira proposta mostrou ter um grande potencial para colaborar com o diagnóstico em um contexto clínico. O segundo sistema desenvolvido é um método não específico do paciente (non-patient specific) que consiste em selecionar o sinal diferencial de dois eletrodos, aplicar um vetor de bancos de filtros para esse sinal, extrair atributos de séries temporais e criar um modelo preditivo usando uma árvore de decisão CART. O desempenho deste método foi de 95% de especificidade e 87% de sensibilidade. Estes valores não são tão altos quanto os de métodos propostos anteriormente. No entanto, a abordagem que propomos apresenta uma viabilidade muito maior para implementação em dispositivos que possam ser efetivamente utilizados por pacientes em larga escala. Isto porque somente dois elétrodos são utilizados e o modelo de predição é computacionalmente leve. Note-se que, ainda assim, o modelo xigerado apresenta um poder preditivo satisfatório e generaliza melhor que em trabalhos anteriores já que pode ser treinado com dados de um conjunto de pacientes e utilizado em pacientes distintos (non-patient specific). Ambas as propostas apresentadas aqui, utilizando abordagens distintas, demonstram ser alternativas de predição de convulsões com performances bastante satisfatórias sob diferentes circunstâncias e requisitos. / Epilepsy is one of the most common neurological diseases and is defined as the pre- disposition to suffer unprovoked seizures. The World Health Organization estimates that 50 million people are suffering this condition worldwide. Epilepsy diagnosis im- plies an expensive and long process based on the opinion of specialist personnel about electroencephalograms (EEGs) and video recordings. We have developed two meth- ods for automatic seizure detection using EEG and data mining. The first system is a patient-specific method that consists of extracting spectro-temporal features of 23 EEG channels, applying a dimension reduction algorithm, recovering the envelope of the signal, and creating a model using a random forest classifier. Testing this system against a large dataset, we reached 97% of specificity and 99% of sensitivity. Thus, our first proposal showed to have a great potential for diagnosis support in clinical context. The other developed system is a non-patient specific method that consists of selecting the differential signal of two electrodes, applying an array of filter banks to that signal, extracting time series features, and creating a predictive model using a decision tree. The performance of this method was 95% of specificity, and 87% of sensitivity. Although the performance is lower than previous propos- als, due to the design conditions and characteristics, our method allows an easier implementation with low hardware requirements. Both proposals presented here, using distinct approaches, demonstrate to be seizure prediction alternatives with very satisfactory performances under different circumstances and requirements.
|
Page generated in 0.0743 seconds