Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2018-08-13T14:49:42Z No. of bitstreams: 2 Dissertação - Lucas Fiorini Cruz - 2018.pdf: 23542908 bytes, checksum: 75e04989d0719a9b5d0d22225c38ce7a (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2018-08-14T11:35:12Z (GMT) No. of bitstreams: 2 Dissertação - Lucas Fiorini Cruz - 2018.pdf: 23542908 bytes, checksum: 75e04989d0719a9b5d0d22225c38ce7a (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2018-08-14T11:35:12Z (GMT). No. of bitstreams: 2 Dissertação - Lucas Fiorini Cruz - 2018.pdf: 23542908 bytes, checksum: 75e04989d0719a9b5d0d22225c38ce7a (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2018-05-18 / Electroencephalography (EEG) measurements are widely used in clinical assessments for research due to its noninvasive nature and for providing several informations on the neural activity associated to both neural functions and disorders, including epilepsy syndromes. In cases related with partial epilepsy, surgical interventions are recommended and the accurate location of the seizure becomes a sine qua non prerequisite for those procedures. Brain source position estimation can help in the selection and classification of brain spots. In this sense, for control purposes, this work begins with the development of a mathematical model that is more electromagnetically representative than the usual model, presenting different aggregate characteristics such as refraction and, especially, frequency dependent attenuation of the wave. We also propose a new method that estimates the source positions from spectral peaks produced by the eigenvalues of the sum of the spatial covariance matrix of the EEG signals and a spatial covariance matrix related to a simulated source that is numerically swept throughout every point on different horizontal layers of the brain. The key approach was to select the eigenvalues that were less affected by the noise and use them to produce the search spectrum. In order to assess the accuracy and robustness of the proposed method, we compared its RMSE (Root Mean Square Error) performance at different SNRs (Signal-to-Noise Ratio) to those of MUSIC (Multiple Signal Classification), a method based on orthogonal subspaces, and NSF (Noise Subspace Fitting), a method based on subspace fitting. The results were produced for both the usual and proposed signal model in order to evaluate their accuracy. Subsequently, the signal models were compared after spatial filtering, aiming the determination of the waveform of a particular source. The proposed approach presents the lowest threshold SNR and the highest accuracy under noisy conditions for all analyzed cases and for both models. The new approach for the signal model made the estimation more accurate in all the studied cases, besides providing greater accuracy on spatial filtering, when compared to the usual model. / Sinais de eletroencefalografia (EEG) são amplamente utilizados em análises clínicas e para fins de pesquisas devido ao seu caráter não invasivo e por possuírem informações sobre as atividades neurais ligadas às funções e anomalias cerebrais, incluindo a epilepsia. Nos casos relacionados à epilepsia parcial, intervenções cirúrgicas são recomendadas e a precisa localização da região epileptogênica é uma condição sine qua non para tal procedimento. Nesse sentido, para fins de controle, este trabalho se inicia com a proposta de um novo modelo matemático das atividades elétricas do cérebro que, quando comparado ao modelo Dipolo elétrico - encontrado na literatura - aproxima-se mais do real, apresentando diferentes características agregadas como refração e, especialmente, atenuação dependente da frequência da onda. Em outro plano, também é proposto um novo método que estima as posições das fontes elétricas cerebrais a partir de picos espectrais produzidos por autovalores da soma da matriz de covariância espacial do sinal EEG com uma matriz de covariância espacial relacionada a uma fonte simulada que, numericamente, é posicionada em pontos de diferentes camadas horizontais do cérebro. A chave para essa abordagem é selecionar os autovalores menos afetados pelo ruído e utilizá-los para construir o espectro de busca. Para analisar a robustez e acurácia do método, avalia-se o seu desempenho em relação à raiz do erro médio quadrático (REMQ) para diferentes valores de relação sinal-ruído (SNR), comparando-o ao algoritmo MUSIC (Multiple Signal Classification), baseado em subespaços ortogonais, e ao NSF (Noise Subspace Fitting), método baseado em “distância” entre subespaços (subspace fitting). Todos os resultados são gerados para o modelo de sinal usual e o proposto, com fim de avaliar a acurácia conferida a cada um destes. Posteriormente, os modelos de sinal são comparados quanto à filtragem espacial, buscando a determinação da forma de onda de uma fonte em particular. A abordagem proposta apresenta uma menor SNR de limiar de desempenho e uma maior acurácia sob condições ruidosas em todos os casos analisados e nos dois modelos. O novo modelo do sinal tornou a estimação DOA mais precisa em todos os casos estudados, além de ter conferido maior precisão à filtragem espacial, quando comparado ao modelo usual.