Imagética motora é um processo mental que produz modulações na amplitude dos sinas de eletroencefalogramas em progresso. Os padrões presentes nestas modulações podem ser usados para classificar este processo mental, mas a identificação destes padrões não é uma tarefa trivial, porque eles estão presentes em bandas de frequências que são específicas para cada pessoa. Neste trabalho, apresenta-se um novo método para selecionar as bandas de frequência específicas para cada pessoa baseado na arquitetura do método Filter Bank Common Spatial Pattern. Para selecionar as bandas de frequência mais relevantes para cada pessoa, o método proposto aplica uma busca exaustiva para encontrar o melhor subconjunto de bandas de frequência contendo os padrões mais discriminativos dentro de um espaço de busca restrito a um tamanho fixo para este subconjunto. Esse tamanho é determinado usando validação cruzada e o método Sequential Forward Floating Selection. O método proposto foi avaliado usando a base de dados pública 2b da BCI Competition IV, mostrando melhores resultados do que todos os métodos também avaliados nessa base de dados. / Motor imagery is a mental process that when performed, produces modulations in the amplitude of ongoing electroencephalogram signals. These modulations happen following a series of patterns that can be used to classify this mental process, but the detection of those patterns is not a trivial task, because they occur in frequency bands that are specific for each person. In this work, we present a method to select these subject-specific frequency bands based on the arquitecture of the Filter Bank Common Spatial Pattern approach. To select the most relevant frequency bands for each person, our method uses an exhaustive search to find the best subset of frequency bands containing the most discriminative patterns, but with one restriction, the search space is restricted to find a subset with a fixed number of frequency bands. The number is determined using cross-validation and the Sequential Forward Floating Selection method. We demonstrate that, using the data set 2b of the BCI Competition IV, our method is more accurate than current methods evaluated on the same data set.

Imagética motora é um processo mental que produz modulações na amplitude dos sinas de eletroencefalogramas em progresso. Os padrões presentes nestas modulações podem ser usados para classificar este processo mental, mas a identificação destes padrões não é uma tarefa trivial, porque eles estão presentes em bandas de frequências que são específicas para cada pessoa. Neste trabalho, apresenta-se um novo método para selecionar as bandas de frequência específicas para cada pessoa baseado na arquitetura do método Filter Bank Common Spatial Pattern. Para selecionar as bandas de frequência mais relevantes para cada pessoa, o método proposto aplica uma busca exaustiva para encontrar o melhor subconjunto de bandas de frequência contendo os padrões mais discriminativos dentro de um espaço de busca restrito a um tamanho fixo para este subconjunto. Esse tamanho é determinado usando validação cruzada e o método Sequential Forward Floating Selection. O método proposto foi avaliado usando a base de dados pública 2b da BCI Competition IV, mostrando melhores resultados do que todos os métodos também avaliados nessa base de dados. / Motor imagery is a mental process that when performed, produces modulations in the amplitude of ongoing electroencephalogram signals. These modulations happen following a series of patterns that can be used to classify this mental process, but the detection of those patterns is not a trivial task, because they occur in frequency bands that are specific for each person. In this work, we present a method to select these subject-specific frequency bands based on the arquitecture of the Filter Bank Common Spatial Pattern approach. To select the most relevant frequency bands for each person, our method uses an exhaustive search to find the best subset of frequency bands containing the most discriminative patterns, but with one restriction, the search space is restricted to find a subset with a fixed number of frequency bands. The number is determined using cross-validation and the Sequential Forward Floating Selection method. We demonstrate that, using the data set 2b of the BCI Competition IV, our method is more accurate than current methods evaluated on the same data set.

As Interfaces Cérebro-Computador (do inglês Brain-Computer Interfaces BCI) são sistemas que visam permitir a interação entre usuários e máquinas por meio do monitoramento das atividades cerebrais. Sistemas de BCI são considerados como uma alternativa para que pessoas com perda severa ou total do controle motor, tais como as que sofrem de Esclerose Lateral Amiotrófica, possam contar com algum controle sobre o ambiente externo. Para mapear intenções individuais em operações de máquina, os sistemas de BCI empregam um conjunto de etapas que envolvem a captura e pré-processamento dos sinais cerebrais, a extração e seleção de suas características mais relevantes e a classificação das intenções. O projeto e a implementação de sistemas de BCI viáveis ainda são questões em aberto devido aos grandes desafios encontrados em cada uma de suas etapas. Esta lacuna motivou este trabalho de mestrado o qual apresenta uma avaliação dos principais extratores de características utilizados para classificar ensaios de imagética motora, cujos dados foram obtidos por meio de eletroencefalografia (EEG) e apresentam influências de artefatos, mais precisamente daqueles produzidos por interferências provenientes de atividades oculares (monitoradas por eletrooculografia EOG). Foram considerados sinais coletados pela BCI Competition IV-2b, os quais contêm informações sobre três canais de EEG e três outros de EOG. Como primeira etapa, foi realizado o pré-processamento desses canais utilizando a técnica de Análise de Componentes Independentes (ICA) em conjunto com um limiar de correlação para a remoção de componentes associados a artefatos oculares. Posteriormente, foram avaliadas diferentes abordagens para a extração de características, a mencionar: i) Árvore Diádica de Bandas de Frequências (ADBF); ii) Padrões Espaciais Comuns (CSP); iii) Padrões Espectro-Espaciais Comuns (CSSP); iv) Padrões Esparsos Espectro-Espaciais Comuns (CSSSP); v) CSP com banco de filtros (FBCSP); vi) CSSP com banco de filtros (FBCSSP); e, finalmente, vii) CSSSP com banco de filtros (FBCSSSP). Contudo, como essas técnicas podem produzir espaços de exemplos com alta dimensionalidade, considerou-se, também, a técnica de Seleção de Características baseada em Informação Mútua (MIFS) para escolher os atributos mais relevantes para o conjunto de dados adotado na etapa de classificação. Finalmente, as Máquinas de Vetores de Suporte (SVM) foram utilizadas para a classificação das intenções de usuários. Experimentos permitem concluir que os resultados do CSSSP e FBCSSSP são equiparáveis àqueles produzidos pelo estado da arte, considerando o teste de significância estatística de Wilcoxon bilateral com confiança de 0, 95. Apesar disso o CSSSP tem sido negligenciado pela área devido ao fato de sua parametrização ser considerada complexa, algo que foi automatizado neste trabalho. Essa automatização reduziu custos computacionais envolvidos na adaptação das abordagens para indivíduos específicos. Ademais, conclui-se que os extratores de características FBCSP, CSSP, CSSSP, FBCSSP e FBCSSSP não necessitam da etapa de remoção de artefatos oculares, pois efetuam filtragens por meio de modelos autoregressivos. / Brain-Computer Interfaces (BCI) employ brain imaging to enable human-machine interaction without physical control. BCIs are an alternative so that people suffering from severe or complete loss of motor control, like those with Amyotrophic Lateral Sclerosis (ALS), may have some interaction with the external environment. To transform individual intentions onto machine operations, BCIs rely on a series of steps that include brain signal acquisition and preprocessing, feature extraction, selection and classification. A viable BCI implementation is still an open question due to the great challenges involved in each one of these steps. This gap motivated this work, which presents an evaluation of themain feature extractors used to classify Motor Imagery trials, whose data were obtained through Electroencephalography (EEG) influenced by ocular activity, monitored by Electrooculography (EOG). In this sense, signals acquired by BCI Competition IV-2b, were considered. As first step the preprocessing was performed through Independent Component Analysis (ICA) together with a correlation threshold to identify components associated with ocular artifacts. Afterwards, different feature extraction approaches were evaluated: i) Frequency Subband Dyadic Three; ii) Common Spatial Patterns (CSP); iii) Common Spectral-Spatial Patterns (CSSP); iv) Common Sparse Spectral-Spatial Patterns (CSSSP); v) Filter Bank Common Spatial Patterns (FBCSP); vi) Filter Bank Common Sectral-Spatial Patterns (FBCSSP); and, finally, vii) Filter Bank Sparse Spectral- Spatial Patterns (FBCSSSP). These techniques tend to produce high-dimensional spaces, so a Mutual Information-based Feature Selection was considered to select signal attributes. Finally, Support Vector Machines were trained to tackle the Motor Imagery classification. Experimental results allow to conclude that CSSSP and FBCSSSP are statistically equivalent the state of the art, when two-sided Wilcoxon test with 0, 95 confidence is considered. Nevertheless, CSSSP has been neglected by this area due to its complex parametrization, which is addressed in this work using an automatic approach. This automation reduced computational costs involved in adapting the BCI system to specific individuals. In addition, the FBCSP, CSSP, CSSSP, FBCSSP and FBCSSSP confirm to be robust to artifacts as they implicitly filter the signals through autoregressive models.

As Interfaces Cérebro-Computador (do inglês Brain-Computer Interfaces BCI) são sistemas que visam permitir a interação entre usuários e máquinas por meio do monitoramento das atividades cerebrais. Sistemas de BCI são considerados como uma alternativa para que pessoas com perda severa ou total do controle motor, tais como as que sofrem de Esclerose Lateral Amiotrófica, possam contar com algum controle sobre o ambiente externo. Para mapear intenções individuais em operações de máquina, os sistemas de BCI empregam um conjunto de etapas que envolvem a captura e pré-processamento dos sinais cerebrais, a extração e seleção de suas características mais relevantes e a classificação das intenções. O projeto e a implementação de sistemas de BCI viáveis ainda são questões em aberto devido aos grandes desafios encontrados em cada uma de suas etapas. Esta lacuna motivou este trabalho de mestrado o qual apresenta uma avaliação dos principais extratores de características utilizados para classificar ensaios de imagética motora, cujos dados foram obtidos por meio de eletroencefalografia (EEG) e apresentam influências de artefatos, mais precisamente daqueles produzidos por interferências provenientes de atividades oculares (monitoradas por eletrooculografia EOG). Foram considerados sinais coletados pela BCI Competition IV-2b, os quais contêm informações sobre três canais de EEG e três outros de EOG. Como primeira etapa, foi realizado o pré-processamento desses canais utilizando a técnica de Análise de Componentes Independentes (ICA) em conjunto com um limiar de correlação para a remoção de componentes associados a artefatos oculares. Posteriormente, foram avaliadas diferentes abordagens para a extração de características, a mencionar: i) Árvore Diádica de Bandas de Frequências (ADBF); ii) Padrões Espaciais Comuns (CSP); iii) Padrões Espectro-Espaciais Comuns (CSSP); iv) Padrões Esparsos Espectro-Espaciais Comuns (CSSSP); v) CSP com banco de filtros (FBCSP); vi) CSSP com banco de filtros (FBCSSP); e, finalmente, vii) CSSSP com banco de filtros (FBCSSSP). Contudo, como essas técnicas podem produzir espaços de exemplos com alta dimensionalidade, considerou-se, também, a técnica de Seleção de Características baseada em Informação Mútua (MIFS) para escolher os atributos mais relevantes para o conjunto de dados adotado na etapa de classificação. Finalmente, as Máquinas de Vetores de Suporte (SVM) foram utilizadas para a classificação das intenções de usuários. Experimentos permitem concluir que os resultados do CSSSP e FBCSSSP são equiparáveis àqueles produzidos pelo estado da arte, considerando o teste de significância estatística de Wilcoxon bilateral com confiança de 0, 95. Apesar disso o CSSSP tem sido negligenciado pela área devido ao fato de sua parametrização ser considerada complexa, algo que foi automatizado neste trabalho. Essa automatização reduziu custos computacionais envolvidos na adaptação das abordagens para indivíduos específicos. Ademais, conclui-se que os extratores de características FBCSP, CSSP, CSSSP, FBCSSP e FBCSSSP não necessitam da etapa de remoção de artefatos oculares, pois efetuam filtragens por meio de modelos autoregressivos. / Brain-Computer Interfaces (BCI) employ brain imaging to enable human-machine interaction without physical control. BCIs are an alternative so that people suffering from severe or complete loss of motor control, like those with Amyotrophic Lateral Sclerosis (ALS), may have some interaction with the external environment. To transform individual intentions onto machine operations, BCIs rely on a series of steps that include brain signal acquisition and preprocessing, feature extraction, selection and classification. A viable BCI implementation is still an open question due to the great challenges involved in each one of these steps. This gap motivated this work, which presents an evaluation of themain feature extractors used to classify Motor Imagery trials, whose data were obtained through Electroencephalography (EEG) influenced by ocular activity, monitored by Electrooculography (EOG). In this sense, signals acquired by BCI Competition IV-2b, were considered. As first step the preprocessing was performed through Independent Component Analysis (ICA) together with a correlation threshold to identify components associated with ocular artifacts. Afterwards, different feature extraction approaches were evaluated: i) Frequency Subband Dyadic Three; ii) Common Spatial Patterns (CSP); iii) Common Spectral-Spatial Patterns (CSSP); iv) Common Sparse Spectral-Spatial Patterns (CSSSP); v) Filter Bank Common Spatial Patterns (FBCSP); vi) Filter Bank Common Sectral-Spatial Patterns (FBCSSP); and, finally, vii) Filter Bank Sparse Spectral- Spatial Patterns (FBCSSSP). These techniques tend to produce high-dimensional spaces, so a Mutual Information-based Feature Selection was considered to select signal attributes. Finally, Support Vector Machines were trained to tackle the Motor Imagery classification. Experimental results allow to conclude that CSSSP and FBCSSSP are statistically equivalent the state of the art, when two-sided Wilcoxon test with 0, 95 confidence is considered. Nevertheless, CSSSP has been neglected by this area due to its complex parametrization, which is addressed in this work using an automatic approach. This automation reduced computational costs involved in adapting the BCI system to specific individuals. In addition, the FBCSP, CSSP, CSSSP, FBCSSP and FBCSSSP confirm to be robust to artifacts as they implicitly filter the signals through autoregressive models.

Orientador: Prof. Dr. Diogo Coutinho Soriano / Dissertação (mestrado) - Universidade Federal do ABC. Programa de Pós-Graduação em Engenharia Biomédica, 2018. / A busca por materiais funcionais que possam desempenhar reparo e/ou regeneracao de Uma interface cérebro-computador (BCI) consiste em um sistema que busca extrair informações da atividade do sistema nervoso central e traduzi-las em comandos de saída, os quais podem eventualmente ser usados para controle de dispositivos assistivos. Mais do que contribuir para o controle de tecnologias assistivas ou reabilitação de pessoas com severas limitações, um sistema BCI pode contribuir para uma melhor compreensão do funcionamento cerebral e dos complexos mecanismos de cognição na medida em que se busca avaliar as variáveis mais relevantes para a eficiente decodificação de tarefas mentais. Entre as possíveis formas de se estudar o funcionamento cerebral destaca-se a quantificação da conectividade funcional, a qual visa estabelecer a similaridade observacional entre diferentes regiões cerebrais. Tal estratégia tem sido utilizada na caracterização e diagnóstico de patologias de grande relevância como depressão, Parkinson, Alzheimer, distúrbios de atenção, entre outras. Tendo isso em vista, este trabalho visou estudar o desempenho de decodificação de tarefas mentais a partir de métricas de grafos (grau, coeficiente de agregação, centralidade de intermediação e centralidade de autovetor) obtidas pela avaliação da conectividade funcional no contexto de sinais eletroencefalográficos na execução de paradigmas clássicos de sistemas BCI definidos pela imagética motora e os potenciais visualmente evocados em regime permanente (SSVEP). Além da análise comparativa entre tais métricas, o presente trabalho apresenta um estudo em relação ao desempenho de decodificação quando diferentes métodos de estimação da matriz de adjacência - forma de representação da conectividade funcional ¿ são utilizados, os quais abrangem as medidas de similaridade definidas pela correlação de Pearson, de Spearman e contagem de recorrência espaço-temporal (STR), sendo a última uma proposta original desta dissertação. Como resultado, para os sinais relacionados à BCIs baseadas em imaginação de movimentos, a STR obteve o melhor desempenho considerando todos os sujeitos e classes, mostrando-se uma possível abordagem para extração de características no contexto de sistemas BCI baseadas em imagética de tarefas. Para os sinais relacionados ao paradigma SSVEP, a decodificação baseada na conectividade funcional alcançou desempenhos satisfatórios, porém inferiores aos da análise em frequência classicamente utilizada neste contexto. / Brain-computer interface (BCI) consists of a system that aims to extract information from the activity of central nervous system and translate it into output commands, which can eventually be used to control assistive devices. More than contributing to the control of assistive technologies or rehabilitation of people with severe limitations, a BCI can also contribute to a better understanding of brain functioning and the complex mechanisms of cognition when evaluating the most relevant variables for the efficient decoding of mental tasks. Among the possible ways to study brain functioning, the functional connectivity quantification deserves careful attention, since it aims to establish the observational similarity between different brain regions. Such strategy has been used in the characterization and diagnosis of pathologies of great relevance such as depression, Parkinson, Alzheimer, attention disorders, among others. This work aimed to study the performance of decoding mental tasks from graph metrics (degree, clustering coefficient, betweenness centrality and eigenvector centrality) obtained by evaluation of functional connectivity in the context of electroencephalographic signals in the execution of classic BCI paradigms defined by motor imagery and steady state visually evoked potentials (SSVEP). In addition to the comparative analysis of such metrics, this work also presents a study regarding decoding performance when using different methods of adjacency matrix estimation - a functional connectivity representation - which include similarity measures defined by the correlation of Pearson, Spearman and Space-Time Recurrence counting (STR), being the latter an original proposal of this work. As main results, for signals related to motor imagery BCI, STR obtained the best performance considering all the subjects and classes, stablishing a possible approach for feature extraction in the context of motor imagery BCIs. For signals related to the SSVEP paradigm, decoding based on functional connectivity achieved satisfactory performance, but lower than the spectral analysis, classically used in this context.