O uso de sistemas denominados Brain Computer Interface, ou simplesmente BCI, para controle de dispositivos tem gerado cada vez mais trabalhos de análise de sinais de EEG, principalmente devido ao fato do desenvolvimento tecnológico dos sistemas de processamento de dados, trazendo novas perspectiva de desenvolvimento de equipamentos que auxiliem pessoas com debilidades motoras. Neste trabalho é abordado o comportamento dos classificadores LDA (Discriminante Linear de Fisher) e o classificador Naive Bayes para classificação de movimento de mão direita e mão esquerda a partir da aquisição de sinais eletroencefalográficos. Para análise destes classificadores foram utilizadas como características de entrada a energia de trechos do sinal filtrados por um passa banda com frequências dentro dos ritmos sensório-motor e também foram utilizadas componentes de energia espectral através do periodograma modificado de Welch. Como forma de pré-processamento também é apresentado o filtro espacial Common Spatial Pattern (CSP) de forma a aumentar a atividade discriminativa entre as classes de movimento. Foram obtidas taxas de acerto de até 70% para a base de dados geradas neste trabalho e de até 88% utilizando a base de dados do BCI Competition II, taxas de acertos compatíveis com outros trabalhos na área. / Brain Computer Interface (BCI) systems usage for controlling devices has increasingly generated research on EEG signals analysis, mainly because the technological development of data processing systems has been offering a new perspective on developing equipment to assist people with motor disability. This study aims to examine the behavior of both Fisher's Linear Discriminant (LDA) and Naive Bayes classifiers in determining both the right and left hand movement through electroencephalographic signals. To accomplish this, we considered as input feature the energy of the signal trials filtered by a band pass with sensorimotor rhythm frequencies; spectral power components from the Welch modified periodogram were also used. As a preprocessing form, the Common Spatial Pattern (CSP) filter was used to increase the discriminative activity between classes of movement. The database created from this study reached hit rates of up to 70% while the BCI Competition II reached hit rates up to 88%, which is consistent with the literature.

Submitted by Renato de Macedo Giovanini null (renato81243@aluno.feis.unesp.br) on 2017-09-25T14:52:54Z No. of bitstreams: 1 dissertacao_renato_de_macedo_giovanini_2017_final.pdf: 10453769 bytes, checksum: 7f7e2415a0912fae282affadea2685b8 (MD5) / Approved for entry into archive by Monique Sasaki (sayumi_sasaki@hotmail.com) on 2017-09-27T20:24:55Z (GMT) No. of bitstreams: 1 giovanini_rm_me_ilha.pdf: 10453769 bytes, checksum: 7f7e2415a0912fae282affadea2685b8 (MD5) / Made available in DSpace on 2017-09-27T20:24:55Z (GMT). No. of bitstreams: 1 giovanini_rm_me_ilha.pdf: 10453769 bytes, checksum: 7f7e2415a0912fae282affadea2685b8 (MD5) Previous issue date: 2017-08-18 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / There are, nowadays, about 110 million people in the world who live with some type of severe motor disability. Specifically in Brazil, about 2.2% of the population are estimated to live with a condition of difficult locomotion. Aiming to help these people, a vast variety of devices, techniques and services are currently being developed. Among those, one of the most complex and challenging techniques is the study and development of Brain-Computer Interfaces (BCIs). BCIs are systems that allow the user to communicate with the external world controlling devices without the use of muscles or peripheral nerves, using only his decoded brain activity. To achieve this, there is a need to develop robust pattern recognition systems, that must be able to detect the user’s intention through electroencephalography (EEG) signals and activate the corresponding output with reliable accuracy and within the shortest possible processing time. In this work, different EEG signal processing techniques were studied, and it is presented the development of a EEG under visual stimulation (Steady-State Visual Evoked Potentials - SSVEP) pattern recognition system. Using only Open Source tools and Python programming language, modules to manage datasets, reduce noise, extract features and perform classification of EEG signals were developed, and a comparative study of different techniques was performed, using filter banks and Discrete Wavelet Transforms (DWT) as feature extraction approaches, and the classifiers K-Nearest Neighbors, Multilayer Perceptron and Random Forests. Using DWT approach with Random Forest and Multilayer Perceptron classifiers, high accuracy rates up to 92 % were achieved in deeper decomposition levels. Then, the small-size microcomputer Raspberry Pi was used to perform time processing evaluation, obtaining short processing times for every classifiers. This work is a preliminary study of BCIs at the Laboratório de Instrumentação e Engenharia Biomédica, and, in the future, the system here presented may be part of a complete SSVEP-BCI system. / Existem, atualmente, cerca de 110 milhões de pessoas no mundo que vivem com algum tipo de deficiência motora severa. Especificamente no Brasil, é estimado que cerca de 2.2% da população conviva com alguma condição que dificulte a locomoção. Com o intuito de auxiliar tais pessoas, uma grande variedade de dispositivos, técnicas e serviços são atualmente desenvolvidos. Dentre elas, uma das técnicas mais complexas e desafiadoras é o estudo e o desenvolvimento de Interfaces Cérebro-Computador (ICMs). As ICMs são sistemas que permitem ao usuário comunicar-se com o mundo externo, controlando dispositivos sem o uso de músculos ou nervos periféricos, utilizando apenas sua atividade cerebral decodificada. Para alcançar isso, existe a necessidade de desenvolvimento de sistemas robustos de reconhecimento de padrões, que devem ser capazes de detectar as intenções do usuáro através dos sinais de eletroencefalografia (EEG) e ativar a saída correspondente com acurácia confiável e o menor tempo de processamento possível. Nesse trabalho foi realizado um estudo de diferentes técnicas de processamento de sinais de EEG, e o desenvolvimento de um sistema de reconhecimento de padrões de sinais de EEG sob estimulação visual (Potenciais Evocados Visuais de Regime Permanente - PEVRP). Utilizando apenas técnicas de código aberto e a linguagem Python de programação, foram desenvolvidos módulos para realizar o gerenciamento de datasets, redução de ruído, extração de características e classificação de sinais de EEG, e um estudo comparativo de diferentes técnicas foi realizado, utilizando-se bancos de filtros e a Transformada Wavelet Discreta (DWT) como abordagens de extração de características, e os classificadores K-Nearest Neighbors, Perceptron Multicamadas e Random Forests. Utilizando-se a DWT juntamente com Random Forests e Perceptron Multicamadas, altas taxas de acurácia de até 92 % foram obtidas nos níveis mais profundos de decomposição. Então, o computador Raspberry Pi, de pequenas dimensões, foi utilizado para realizar a avaliação do tempo de processamento, obtendo um baixo tempo de processamento para todos os classificadores. Este trabalho é um estudo preliminar em ICMs no Laboratório de Instrumentação e Engenharia Biomédica e, no futuro, pode ser parte de um sistema ICM completo.

O uso de sistemas denominados Brain Computer Interface, ou simplesmente BCI, para controle de dispositivos tem gerado cada vez mais trabalhos de análise de sinais de EEG, principalmente devido ao fato do desenvolvimento tecnológico dos sistemas de processamento de dados, trazendo novas perspectiva de desenvolvimento de equipamentos que auxiliem pessoas com debilidades motoras. Neste trabalho é abordado o comportamento dos classificadores LDA (Discriminante Linear de Fisher) e o classificador Naive Bayes para classificação de movimento de mão direita e mão esquerda a partir da aquisição de sinais eletroencefalográficos. Para análise destes classificadores foram utilizadas como características de entrada a energia de trechos do sinal filtrados por um passa banda com frequências dentro dos ritmos sensório-motor e também foram utilizadas componentes de energia espectral através do periodograma modificado de Welch. Como forma de pré-processamento também é apresentado o filtro espacial Common Spatial Pattern (CSP) de forma a aumentar a atividade discriminativa entre as classes de movimento. Foram obtidas taxas de acerto de até 70% para a base de dados geradas neste trabalho e de até 88% utilizando a base de dados do BCI Competition II, taxas de acertos compatíveis com outros trabalhos na área. / Brain Computer Interface (BCI) systems usage for controlling devices has increasingly generated research on EEG signals analysis, mainly because the technological development of data processing systems has been offering a new perspective on developing equipment to assist people with motor disability. This study aims to examine the behavior of both Fisher's Linear Discriminant (LDA) and Naive Bayes classifiers in determining both the right and left hand movement through electroencephalographic signals. To accomplish this, we considered as input feature the energy of the signal trials filtered by a band pass with sensorimotor rhythm frequencies; spectral power components from the Welch modified periodogram were also used. As a preprocessing form, the Common Spatial Pattern (CSP) filter was used to increase the discriminative activity between classes of movement. The database created from this study reached hit rates of up to 70% while the BCI Competition II reached hit rates up to 88%, which is consistent with the literature.

O uso de sistemas denominados Brain Computer Interface, ou simplesmente BCI, para controle de dispositivos tem gerado cada vez mais trabalhos de análise de sinais de EEG, principalmente devido ao fato do desenvolvimento tecnológico dos sistemas de processamento de dados, trazendo novas perspectiva de desenvolvimento de equipamentos que auxiliem pessoas com debilidades motoras. Neste trabalho é abordado o comportamento dos classificadores LDA (Discriminante Linear de Fisher) e o classificador Naive Bayes para classificação de movimento de mão direita e mão esquerda a partir da aquisição de sinais eletroencefalográficos. Para análise destes classificadores foram utilizadas como características de entrada a energia de trechos do sinal filtrados por um passa banda com frequências dentro dos ritmos sensório-motor e também foram utilizadas componentes de energia espectral através do periodograma modificado de Welch. Como forma de pré-processamento também é apresentado o filtro espacial Common Spatial Pattern (CSP) de forma a aumentar a atividade discriminativa entre as classes de movimento. Foram obtidas taxas de acerto de até 70% para a base de dados geradas neste trabalho e de até 88% utilizando a base de dados do BCI Competition II, taxas de acertos compatíveis com outros trabalhos na área. / Brain Computer Interface (BCI) systems usage for controlling devices has increasingly generated research on EEG signals analysis, mainly because the technological development of data processing systems has been offering a new perspective on developing equipment to assist people with motor disability. This study aims to examine the behavior of both Fisher's Linear Discriminant (LDA) and Naive Bayes classifiers in determining both the right and left hand movement through electroencephalographic signals. To accomplish this, we considered as input feature the energy of the signal trials filtered by a band pass with sensorimotor rhythm frequencies; spectral power components from the Welch modified periodogram were also used. As a preprocessing form, the Common Spatial Pattern (CSP) filter was used to increase the discriminative activity between classes of movement. The database created from this study reached hit rates of up to 70% while the BCI Competition II reached hit rates up to 88%, which is consistent with the literature.

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.

Orientador: Prof. Dr. Ricardo Suyama / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia da Informação, Santo André, 2018. / Uma interface cerebro-computador (BCI) e projetada para que se consiga, de modo efetivo, fornecer uma via alternativa de comunicacao entre o cerebro do usuario e o computador. Sinais captados por meio de eletrodos, tipicamente posicionados no escalpo do individuo, sao previamente processados para que haja eliminacao de ruidos externos. A partir dai, diversas tecnicas para processamento de sinais sao utilizadas para posteriormente classificar os sinais registrados e realizar a traducao do estado mental do usuario em um comando especifico a ser executado pelo computador. No presente trabalho sao utilizadas tecnicas de representacao esparsa dos sinais para a extracao de caracteristicas relevantes para classificacao dos mesmos, com intuito de aumentar a robustez e melhorar o desempenho do sistema. Para a extracao de sinais esparsos, foram utilizados algoritmos de criacao de dicionarios, a partir dos quais e possivel obter uma representacao esparsa para todo o subespaco de sinal. No trabalho foram utilizados 5 diferentes algoritmos de criacao de dicionario: Metodo de direcoes otimas (MOD), K-SVD, RLS-DLA, LS-DLA e Aprendizado de dicionario Online (ODL). A classificacao dos sinais foi realizada com o metodo de .. vizinhos mais proximos (k - NN). Os resultados obtidos com a abordagem de representacao esparsa foram comparados com os resultados do BCI Competition IV dataset 2a. Para o primeiro colocado da competicao foi obtido, em termos do coeficiente kappa, uma acuracia de 0.57 enquanto que no trabalho utilizando os metodos esparsos, obteve-se, em coeficiente kappa, uma acuracia de 0.90. Em comparacao obteve-se um ganho de 0.33 de acuracia, onde se deduz que o uso de sinais esparsos pode ser benefico para o dificil problema de se projetar uma interface cerebro computador. / A brain computer interface (BCI) is designed to effectively translate commands thought by human individuals into commands that a computer can effectively understand. Electrical impulses generated from the brain sculp are recorded from a device called an electroencephalograph and are preprocessed for elimination of external noise. From there, several techniques for signal processing are used to later classify the signals obtained by the electroencephalograph. In this work, techniques for sparse representation of signals are used for feature extraction, in order to increase robustness and system performance. For the extraction of sparse signals, five different dictionary learning algorithms were used, being able to produce a basis capable of represensing the entire signal subspace. In this work, 5 different dictionary learning algorithms were used: Method of Optimal Directions (MOD), K-SVD, Recursive Least Square Dictionary Learning (RLS-DLA), Least Square Dictionary Learning (LS-DLA) and Online Dictionary Learning (ODL). For the classification task, the k-NN method was used. The simulation results obtained with this approach were compared with the best BCI Competition IV dataset 2a results. For the first place in the competition, an accuracy of 0.57 was obtained, in terms of the kappa coefficient, whereas in the work using the sparse methods, a kappa coefficient of 0.90 was obtainned, improving accuracy in 0.33 accuracy was obtained, which indicates that the use of sparse signals may be beneficial to the difficult problem of designing a brain computer interface.

Interfaces cérebro-computador ou Interfaces cérebro-máquina (BCIs/BMIs do inglês Brain-computer interface/Brain-machine interface) são dispositivos que permitem ao usuário interagir com o ambiente ao seu redor sem que seja necessário ativar seus músculos esqueléticos. Estes dispositivos são de extrema valia para indivíduos portadores de deficiências motoras. Esta dissertação ambiciona revisar a literatura acerca de BMIs e expor diferentes técnicas de pré-processamento, extração de características e classificação de sinais neurofisiológicos. Em particular, uma maior ênfase será dada à Máquina de vetor de suporte (SVM do inglês Support-Vector machine), método de classificação baseado no princípio da minimização do risco estrutural. Será apresentado um estudo de caso, que ilustra o funcionamento de uma BMI, a qual permite ao usuário escolher um dentre seis objetos mostrados em uma tela de computador. Esta capacidade da BMI é conseqüência da implementação, através da SVM de um sistema capaz de detectar o potencial evocado P300 nos sinais de eletroencefalograma (EEG). A simulação será realizada em Matlab usando, como sinais de entrada, amostras de EEG de quatro indivíduos saudáveis e quatro deficientes. A análise estatística mostrou que o bom desempenho obtido pela BMI (80,73% de acerto em média) foi promovido pela aplicação da média coerente aos sinais, o que melhorou a relação sinal-ruído do EEG. / Brain-computer interfaces (BCIs) or Brain-machine interfaces (BMIs) technology provide users with the ability to communicate and control their environment without employing normal output pathway of peripheral nerves and muscles. This technology can be especially valuable for highly paralyzed patients. This thesis reviews BMI research, techniques for preprocessing, feature extracting and classifying neurophysiological signals. In particular, emphasis will be given to Support-Vector Machine (SVM), a classification technique, which is based on structural risk minimization. Additionally, a case study will illustrate the working principles of a BMI which analyzes electroencephalographic signals in the time domain as means to decide which one of the six images shown on a computer screen the user chose. The images were selected according to a scenario where users can control six electrical appliances via a BMI system. This was done by exploiting the Support-Vector Machine ability to recognize a specific EEG pattern (the so-called P300). The study was conducted offline within the Matlab environment and used EEG datasets recorded from four disabled and four able-bodied subjects. A statistical survey of the results has shown that the good performance attained (80,73%) was due to signal averaging method, which enhanced EEG signal-to-noise ratio.

Interfaces cérebro-computador ou Interfaces cérebro-máquina (BCIs/BMIs do inglês Brain-computer interface/Brain-machine interface) são dispositivos que permitem ao usuário interagir com o ambiente ao seu redor sem que seja necessário ativar seus músculos esqueléticos. Estes dispositivos são de extrema valia para indivíduos portadores de deficiências motoras. Esta dissertação ambiciona revisar a literatura acerca de BMIs e expor diferentes técnicas de pré-processamento, extração de características e classificação de sinais neurofisiológicos. Em particular, uma maior ênfase será dada à Máquina de vetor de suporte (SVM do inglês Support-Vector machine), método de classificação baseado no princípio da minimização do risco estrutural. Será apresentado um estudo de caso, que ilustra o funcionamento de uma BMI, a qual permite ao usuário escolher um dentre seis objetos mostrados em uma tela de computador. Esta capacidade da BMI é conseqüência da implementação, através da SVM de um sistema capaz de detectar o potencial evocado P300 nos sinais de eletroencefalograma (EEG). A simulação será realizada em Matlab usando, como sinais de entrada, amostras de EEG de quatro indivíduos saudáveis e quatro deficientes. A análise estatística mostrou que o bom desempenho obtido pela BMI (80,73% de acerto em média) foi promovido pela aplicação da média coerente aos sinais, o que melhorou a relação sinal-ruído do EEG. / Brain-computer interfaces (BCIs) or Brain-machine interfaces (BMIs) technology provide users with the ability to communicate and control their environment without employing normal output pathway of peripheral nerves and muscles. This technology can be especially valuable for highly paralyzed patients. This thesis reviews BMI research, techniques for preprocessing, feature extracting and classifying neurophysiological signals. In particular, emphasis will be given to Support-Vector Machine (SVM), a classification technique, which is based on structural risk minimization. Additionally, a case study will illustrate the working principles of a BMI which analyzes electroencephalographic signals in the time domain as means to decide which one of the six images shown on a computer screen the user chose. The images were selected according to a scenario where users can control six electrical appliances via a BMI system. This was done by exploiting the Support-Vector Machine ability to recognize a specific EEG pattern (the so-called P300). The study was conducted offline within the Matlab environment and used EEG datasets recorded from four disabled and four able-bodied subjects. A statistical survey of the results has shown that the good performance attained (80,73%) was due to signal averaging method, which enhanced EEG signal-to-noise ratio.

Um dos desafios propostos por pesquisadores em neurociência aos engenheiros biomédicos é a interação cérebro-máquina. O sistema nervoso comunica-se interpretando sinais eletroquímicos, e circuitos implantáveis podem tomar decisões de modo a interagir com o meio biológico. Sabe-se também que a doença de Parkinson está relacionada a um déficit do neurotransmissor dopamina. Para controlar a concentração de dopamina diferentes técnicas tem sido empregadas como estimuladores elétricos, magnéticos e drogas. Neste trabalho obteve-se o controle da concentração do neurotransmissor de maneira automática uma vez que atualmente isto não é realizado. Para tanto, projetou-se e desenvolveu-se quatro sistemas: a estimulação cerebral profunda ou deep brain stimulation (DBS), a estimulação transmagnética ou transmagnetic stimulation (TMS), um controle de bomba de infusão ou infusion pump control (IPC) para a entrega de drogas e um sistema de voltametria cíclica de varredura rápida ou fast scan ciclic voltammetry (FSCV) (circuito que detecta variações de concentração de neurotransmissores como a dopamina - DA). Também foi necessário o desenvolvimento de softwares para a visualização de dados e análises em sincronia com acontecimentos ou experimentos correntes, facilitando a utilização destes dispositivos quando emprega-se bombas de infusão e a sua flexibilidade é tal que a DBS ou a TMS podem ser utilizadas de maneira manual ou automática além de outras técnicas de estimulação como luzes, sons, etc. O sistema desenvolvido permite controlar de forma automática a concentração da DA. A resolução do sistema é de 0.4 µmol/L podendo-se ajustar o tempo para correção da concentração entre 1 e 90 segundos. O sistema permite controlar concentrações entre 1 e 10 µmol/L, com um erro de cerca de +/- 0,8 µmol/L. Embora desenhado para o controle da concentração de dopamina o sistema pode ser utilizado para controlar outros neurotransmissores. Propõe-se continuar o desenvolvimento em malha fechada empregando FSCV e DBS (ou TMS, ou infusão), utilizando modelos animais parkinsonianos. / One of the challenges to biomedical engineers proposed by researchers in neuroscience is brain machine interaction. The nervous system communicates by interpreting electrochemical signals, and implantable circuits make decisions in order to interact with the biological environment. It is well known that Parkinson’s disease is related to a deficit of dopamine (DA). Different methods has been employed to control dopamine concentration like magnetic or electrical stimulators or drugs. In this work was automatically controlled the neurotransmitter concentration since this is not currently employed. To do that, four systems were designed and developed: deep brain stimulation (DBS), transmagnetic stimulation (TMS), Infusion Pump Control (IPC) for drug delivery, and fast scan cyclic voltammetry (FSCV) (sensing circuits which detect varying concentrations of neurotransmitters like dopamine caused by these stimulations). Some softwares also were developed for data display and analysis in synchronously with current events in the experiments. This allowed the use of infusion pumps and their flexibility is such that DBS or TMS can be used in single mode and other stimulation techniques and combinations like lights, sounds, etc. The developed system allows to control automatically the concentration of DA. The resolution of the system is around 0.4 µmol/L with time correction of concentration adjustable between 1 and 90 seconds. The system allows controlling DA concentrations between 1 and 10 µmol/L, with an error about +/- 0.8 µmol/L. Although designed to control DA concentration, the system can be used to control, the concentration of other substances. It is proposed to continue the closed loop development with FSCV and DBS (or TMS, or infusion) using parkinsonian animals models.

Um dos desafios propostos por pesquisadores em neurociência aos engenheiros biomédicos é a interação cérebro-máquina. O sistema nervoso comunica-se interpretando sinais eletroquímicos, e circuitos implantáveis podem tomar decisões de modo a interagir com o meio biológico. Sabe-se também que a doença de Parkinson está relacionada a um déficit do neurotransmissor dopamina. Para controlar a concentração de dopamina diferentes técnicas tem sido empregadas como estimuladores elétricos, magnéticos e drogas. Neste trabalho obteve-se o controle da concentração do neurotransmissor de maneira automática uma vez que atualmente isto não é realizado. Para tanto, projetou-se e desenvolveu-se quatro sistemas: a estimulação cerebral profunda ou deep brain stimulation (DBS), a estimulação transmagnética ou transmagnetic stimulation (TMS), um controle de bomba de infusão ou infusion pump control (IPC) para a entrega de drogas e um sistema de voltametria cíclica de varredura rápida ou fast scan ciclic voltammetry (FSCV) (circuito que detecta variações de concentração de neurotransmissores como a dopamina - DA). Também foi necessário o desenvolvimento de softwares para a visualização de dados e análises em sincronia com acontecimentos ou experimentos correntes, facilitando a utilização destes dispositivos quando emprega-se bombas de infusão e a sua flexibilidade é tal que a DBS ou a TMS podem ser utilizadas de maneira manual ou automática além de outras técnicas de estimulação como luzes, sons, etc. O sistema desenvolvido permite controlar de forma automática a concentração da DA. A resolução do sistema é de 0.4 µmol/L podendo-se ajustar o tempo para correção da concentração entre 1 e 90 segundos. O sistema permite controlar concentrações entre 1 e 10 µmol/L, com um erro de cerca de +/- 0,8 µmol/L. Embora desenhado para o controle da concentração de dopamina o sistema pode ser utilizado para controlar outros neurotransmissores. Propõe-se continuar o desenvolvimento em malha fechada empregando FSCV e DBS (ou TMS, ou infusão), utilizando modelos animais parkinsonianos. / One of the challenges to biomedical engineers proposed by researchers in neuroscience is brain machine interaction. The nervous system communicates by interpreting electrochemical signals, and implantable circuits make decisions in order to interact with the biological environment. It is well known that Parkinson’s disease is related to a deficit of dopamine (DA). Different methods has been employed to control dopamine concentration like magnetic or electrical stimulators or drugs. In this work was automatically controlled the neurotransmitter concentration since this is not currently employed. To do that, four systems were designed and developed: deep brain stimulation (DBS), transmagnetic stimulation (TMS), Infusion Pump Control (IPC) for drug delivery, and fast scan cyclic voltammetry (FSCV) (sensing circuits which detect varying concentrations of neurotransmitters like dopamine caused by these stimulations). Some softwares also were developed for data display and analysis in synchronously with current events in the experiments. This allowed the use of infusion pumps and their flexibility is such that DBS or TMS can be used in single mode and other stimulation techniques and combinations like lights, sounds, etc. The developed system allows to control automatically the concentration of DA. The resolution of the system is around 0.4 µmol/L with time correction of concentration adjustable between 1 and 90 seconds. The system allows controlling DA concentrations between 1 and 10 µmol/L, with an error about +/- 0.8 µmol/L. Although designed to control DA concentration, the system can be used to control, the concentration of other substances. It is proposed to continue the closed loop development with FSCV and DBS (or TMS, or infusion) using parkinsonian animals models.