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.

O objetivo deste trabalho é contribuir para a área de segurança no trânsito, investigando como os biosinais estão relacionados com as ações do motorista. Devido ao sucesso no emprego de interfaces BCI, os potenciais elétricos evocados no córtex cerebral foram eleitos como objeto de estudo. Para tal estudo, foi construído então um ambiente de realidade virtual capaz de imergir o usuário em uma cena de trânsito através de um simulador composto de um monitor LCD, pedais e volante. Em paralelo, um eletroencefalograma (EEG) é responsável por condicionar os sinais. O resultado da análise dos sinais de EEG permite concluir que é possível estabelecer uma relação estatística válida, para um intervalo de confiança de 98%, entra sinais de trânsito, como placas de pare, vire à direita ou vire à esquerda, a resposta cognitiva do usuário às mesmas, através dos dados de EEG. A taxa média de acerto na identificação da ocorrência de um evento é de 81%, sem a discriminação entre o tipo de evento, com desvio padrão de 8,5%, considerando uma amostra de dois voluntários que realizaram duas seções de 40 eventos cada. / The cars are becoming safer and several anti collision devices begin to emerge. The aim of this work is to contribute to the area of traffic safety, investigating how the electrical potentials of the cerebral cortex are related to the actions of the driver. For this we built a virtual reality environment in a situation that mimics a driving scenario thought a driving Cena presented by an LCD monitor, pedals and steering wheel interface. An electroencephalogram (EEG) is responsible for conditioning the signals to be recorded on a computer and then analyzed. The result shows that it is possible to establish a relationship between the traffic signs and the EEG data (98% confidence interval). The identification rate obtained is 81% (8,5% standard deviation) for a two volunteer sample that performed two trials of 40 events each.

Sistemas para assistência de pessoas com sequelas de Acidente Vascular Cerebral (AVC) como, por exemplo, a Disartria apresenta interesse crescente devido ao aumento da parcela da população com esses distúrbios. Este trabalho propõe a aquisição e o processamento dos biosinais de Eletromiografia de Superficie (sEMG) no músculos do rosto ligados ao processo da fala e de Eletroencefalografia (EEG), sincronizados no tempo mediante um arquivo de áudio. Para isso realizaram-se coletas em voluntários saudáveis no Laboratório IEE e com voluntários com Disartria, previamente diagnosticados com AVC, no departamento de Fisioterapia do Hospital de Clínicas de Porto Alegre. O objetivo principal é classificar esses biosinais frente a comandos verbais estabelecidos, mediante o método computacional Support Vector Machine (SVM) para o sinal de sEMG e Naive Bayes (NB) para o sinal de EEG, visando o futuro estudo e classificação do grau de Disartria do paciente. Estes métodos foram comparados com o Linear Discriminant Analysis (LDA), que foi implementado para os sinais de sEMG e EEG. As características extraídas do sinal de sEMG foram: desvio padrão, média aritmética, skewness, kurtosis e RMS; para o sinal de EEG as características extraídas na frequência foram: Mínimo, Máximo, Média e Desvio padrão e Skewness e Kurtosis, no domínio do tempo. Como parte do pré-processamento também foi empregado o filtro espacial Common Spatial Pattern (CSP) de forma a aumentar a atividade discriminativa entre as classes de movimento no sinal de EEG. Foi avaliado através de um Projeto de Experimentos Fatorial, a natureza das coletas, o sujeito, o método computacional, o estado do sujeito e a banda de frequência filtrada para EEG. Os comandos verbais definidos: “Direita”, “Esquerda”, “Para Frente” e “Para Trás”, possibilitaram a identificação de tarefas mentais em sujeitos saudáveis e com Disartria, atingindo-se Accuracy de 77,6% - 80,8%. / Assistive technology for people with Cerebrovascular Accident (CVA) aftereffects, such as Dysarthria, is gaining interest due to the increasing proportion of the population with these disorders. This work proposes the acquisition and processing of Surface Electromyography (sEMG) signal from the speech process face muscles and Electroencephalography (EEG) signal, synchronized in time by an audio file. For that reason assays were carried out with healthy volunteers at IEE Laboratory and with dysarthric volunteers, previously diagnosed with CVA, at the physiotherapy department of the Porto Alegre University Hospital. The main objective is to classify these biosignals in front of verbal commands established, by computational method of Support Vector Machine (SVM) for the sEMG and Naive Bayes (NB) for EEG, regarding the future study and classification of pacient degree of Dysarthria. These methods were compared with Linear Discriminant Analysis (LDA), who was implemented for sEMG and EEG. The extracted features of sEMG signal were: standard deviation, arithmetic mean, skewness, kurtosis and RMS; for EEG signal extracted features in frequency domain were: minimum, maximum, average and standard deviation, skewness and kurtosis, were used for time domain extraction. As part of pre-processing, Common Spatial Pattern (CSP) filter was also employed, in order to increase the discriminating activity between motion classes in the EEG signal. Data were evaluated in a factorial experiment project, with nature of assays, subject, computational method, subject health state and specifically for EEG were evaluated frequency band filtered. Defined verbal commands, "Right", "Left", "Forward" and "Back", allowed the identification of mental tasks in healthy subjects and dysarthric subjects, reaching Accuracy of 77.6% - 80.8%.

Submitted by Maykon Nascimento (maykon.albani@hotmail.com) on 2015-03-06T19:28:59Z No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Dissertação Douglas Soprani.pdf: 12382633 bytes, checksum: 47ecc259e614e63704f16a4d7f45023c (MD5) / Approved for entry into archive by Elizabete Silva (elizabete.silva@ufes.br) on 2015-03-23T18:59:35Z (GMT) No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Dissertação Douglas Soprani.pdf: 12382633 bytes, checksum: 47ecc259e614e63704f16a4d7f45023c (MD5) / Made available in DSpace on 2015-03-23T18:59:35Z (GMT). No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Dissertação Douglas Soprani.pdf: 12382633 bytes, checksum: 47ecc259e614e63704f16a4d7f45023c (MD5) Previous issue date: 2015-03-06 / Esta dissertação apresenta o desenvolvimento de uma plataforma multimodal de aquisição e processamento de sinais. O projeto proposto insere-se no contexto do desenvolvimento de interfaces multimodais para aplicação em dispositivos robóticos cujo propósito é a reabilitação motora adaptando o controle destes dispositivos de acordo com a intenção do usuário. A interface desenvolvida adquire, sincroniza e processa sinais eletroencefalográficos (EEG), eletromiográficos (EMG) e sinais provenientes de sensores inerciais (IMUs). A aquisição dos dados é feita em experimentos realizados com sujeitos saudáveis que executam tarefas motoras de membros inferiores. O objetivo é analisar a intenção de movimento, a ativação muscular e o início efetivo dos movimentos realizados, respectivamente, através dos sinais de EEG, EMG e IMUs. Para este fim, uma análise offline foi realizada. Nessa análise, são utilizadas técnicas de processamento dos sinais biológicos e técnicas para processar sinais provenientes de sensores inerciais. A partir destes, os ângulos da articulação do joelho também são aferidos ao longo dos movimentos. Um protocolo experimental de testes foi proposto para as tarefas realizadas. Os resultados demonstraram que o sistema proposto foi capaz de adquirir, sincronizar, processar e classificar os sinais combinadamente. Análises acerca da acurácia dos classificadores utilizados mostraram que a interface foi capaz de identificar intenção de movimento em 76, 0 ± 18, 2% dos movimentos. A maior média de tempo de antecipação ao movimento foi obtida através da análise do sinal de EEG e foi de 716, 0±546, 1 milisegundos. A partir da análise apenas do sinal de EMG, este valor foi de 88, 34 ± 67, 28 milisegundos. Os resultados das etapas de processamento dos sinais biológicos, a medição dos ângulos da articulação, bem como os valores de acurácia e tempo de antecipação ao movimento se mostraram em conformidade com a literatura atual relacionada. / This master thesis presents a multimodal platform for acquisition and signal processing. The proposed interface acquires, synchronizes and processes electroencephalographic (EEG) signals, electromiographic signals (EMG) and inertial sensors (IMUs) signals. The data acquisition is done in experiments with healthy subjects performing motor tasks of lower limbs. The objective is to analyze the movement intention, the muscle activation and the movement onset. To do so, an offline analysis was performed. In the analysis are shown EEG signal processing techniques, whose aim is to identify movement intention, and EMG signal techniques aiming at identifying the initial muscle activation. Techniques for processing signals from inertial sensors whose aim is to identify movement onset and measure the knee joint angles are also shown. An experimental protocol is proposed. The platform can be used in the development of interfaces for rehabilitation robotics devices aiming at adapting their control with respect to the patient’s intention. The results obtained showed that the system is capable to acquire, process and classify the signals synchronously. The movement intention was detected in 76, 0 ± 18, 2% of the movements. The movement antecipation achieved 716, 0 ± 546, 1 ms based on EEG signal and 88, 34 ± 67, 28 ms based on EMG signals. The results of the biological signal processing, the movement antecipation times, the accuracy of classifiers and joint angles measurements were in accordance with the currently related studies.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2016. / Made available in DSpace on 2016-09-20T05:08:09Z (GMT). No. of bitstreams: 1 342002.pdf: 3326806 bytes, checksum: 906a4f936e6786e9e984b45819036fdf (MD5) Previous issue date: 2016 / Na investigação da epilepsia, a análise de sinais de eletroencefalograma (EEG) é uma importante ferramenta para a confirmação clínica do diagnóstico, uma vez que a ocorrência de uma atividade eletrográfica específica neste sinal é um forte indicativo da presença da patologia. Estudos comparativos dos diversos métodos de detecção de padrões epileptiformes apontaram que os melhores resultados foram obtidos quando se utilizaram métodos que empregam alguma forma de parametrização dos sinais. Existem inúmeros estudos referentes à utilização de descritores morfológicos para a caracterização de sinais de EEG, entretanto, faz-se necessária uma análise detalhada quanto à contribuição de cada conjunto de descritores na detecção das descargas epileptiformes com uma mesma base de dados e metodologia. Dentro deste cenário o presente trabalho propõe-se a realizar uma revisão bibliográfica dos conjuntos de descritores morfológicos existentes na literatura e avaliar sua contribuição para a identificação automática de padrões epileptiformes. Para cada conjunto de descritores foi desenvolvido um algoritmo para calcular os descritores de forma automática, implementado uma rede neural para avaliar sua contribuição para a classificação dos padrões. E realizada a utilização de índices estatísticos sobre os conjuntos de descritores morfológicos. Com isso foi possível afirmar que quase todos os autores analisados apresentam resultados promissores, exceto um deles por não se tratar diretamente de descritores morfológicos no domínio do tempo e sim descritores morfológicos do padrão no domínio da frequência. Adicionalmente, os conjuntos que contém somente os descritores básicos mostram resultados equivalentes aos que resultaram de operação aritmética ou associação desses descritores básicos.<br> / Abstract : In epilepsy research, analysis of electroencephalographic signals (EEG) is an important clinical tool for confirming the diagnosis, since the occurrence of a specific electrographic activity in this signal is a strong indication of its presence. Comparative studies of different detection methods of epileptiform patterns showed that the best results were obtained when the methods employ some form of signal parametrization. There are numerous studies on the use of morphological descriptors for characterizing EEG signals, however, it is necessary a detailed analysis on the contribution of each set of descriptors to the detection of epileptiform discharges using the same database and methodology. Within this scenario, the present work is proposed to conduct a literature review of existing sets of morphological descriptors in the literature and assess their contribution to the automatic identification of epileptiform patterns. For each set of descriptors it was developed an algorithm to automatically extract the descriptors and a neural network was implemented to assess their contribution to the classification of patterns. Some statistical indexes were used to quantify the classification performance. It was possible to notice that almost all authors analyzed showed promising results, except one of them, probably because its morphological descriptors are not directly extracted from the time domain. They are based on variables linked to the frequency domain. Also, the sets containing only the basic descriptors showed results equivalent to the ones that employ association or arithmetic operation of the basic descriptors.

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica. / Made available in DSpace on 2012-10-20T11:05:29Z (GMT). No. of bitstreams: 1 199183.pdf: 1756397 bytes, checksum: deb00af17b80aea8d00fecf5310dbd68 (MD5) / A avaliação desenvolvida neste trabalho faz parte de uma seqüência de estudos realizados pelo Instituto de Engenharia Biomédica, na Universidade Federal de Santa Catarina, relacionados ao desenvolvimento de técnicas computacionais para processamento

Made available in DSpace on 2015-12-10T14:22:23Z (GMT). No. of bitstreams: 0 Previous issue date: 2015-01-03. Added 1 bitstream(s) on 2015-12-10T14:28:29Z : No. of bitstreams: 1 000854378.pdf: 6674616 bytes, checksum: d5106f3df91d25255a99661658612b89 (MD5) / O uso de técnicas não lineares (sistemas complexos, geometria fractal e física quântica), com enfoques mais amparados pelos princípios do caos, é uma tendência crescente no estudo das ciências naturais, e estão sendo progressivamente apresentadas como opções válidas às suas correspondentes medidas em sistemas lineares (estruturas simples, geometria euclidiana e física clássica newtoniana), com seus enfoques mais cartesianos. Neste sentido, a neurobiologia e a acupuntura podem ajudar a lançar alguma luz nesta busca. Para se avaliar o alcance do uso de técnicas não lineares - mais especificamente a dimensão fractal - foi realizado estudo piloto experimental em humanos para avaliar a sensibilidade do eletroencefalograma na identificação de alterações provocadas por pontos auriculares de acupuntura, conforme critérios clínicos, neurofisiológicos e de geometria fractal. Pacientes de ambos os sexos, tendo cefaléia como queixa comum, mas não exclusiva, foram submetidos a exames eletroencefalográficos, antes e após a estimulação de pontos de acupuntura auricular, ou após ciclos de tratamento ambulatorial por acupuntura auricular e sistêmica. As dimensões fractais pelo 'método da contagem de caixas', foram obtidas com o auxílio do sofware ImageJ, a partir de imagens tratadas dos traçados digitalizados do eletroencefalograma, e os resultados apresentados como estudos de caso. Mediante análise das variações das dimensões fractais efetuada por estudo descritivo e quantitativo, foram observados os comportamentos evolutivos da condição clínica ou sintomática do paciente, e sua relação com os conceitos de desenvolvimento caótico dos sistemas complexos dinâmicos e adaptativos / The use of nonlinear techniques (complex systems, fractal geometry and quantum physics), with approaches more related with the principles of chaos theory, is a growing tendency in the study of the natural sciences, and are being progressively presented as valid options to their correspondent measures in linear systems (simple structures, Euclidean geometry and newtonian classical physics), with their more Cartesian approaches. In this sense, neurobiology and acupuncture may help to shed some light upon this search. Aiming to evaluate the reach of the use of nonlinear techniques - more specifically the fractal dimension - a pilot experimental essay was taken in human beings in order to evaluate the sensibility of eletroencefalography in the identification of alterations resulting from the stimulation of auricular acupuncture points, according to clinical, neurophysiologic and fractal geometry criteria. Both male and female patients, having headache as a common but not exclusive complaint, were subject to eletroencefalographic examinations, before and after the stimulation of auricular acupuncture points, or after cycles of both auricular and systemic acupuncture follow up in an outpatient basis. The fractal dimensions calculated by the 'box counting method' were obtained with the aid of ImageJ software, using digitalized images from the eletroencefalographic examinations, and the results are presented as case reports. By analysing the variations in the fractal dimensions both by descriptive and quantitative approaches, observations were made on the evolutive behaviours either from the clinical or from the symptomatic condition of the patient, and their relationship with the concepts of chaotic development of the complex dynamic adaptative systems

Esta tese apresenta uma revisão relativa às questões cognitivas de processamento de informações envolvidas na aprendizagem motora, para consolidar pesquisa empírica a esse respeito. Baseado em fontes bibliográficas, apresenta-se o contexto histórico da cultura educacional brasileira da pesquisa em movimento humano. Propõe-se metodologia de observação e quantificação de sinais bioelétricos-fisiológicos para identificação de aspectos relacionados a diferentes etapas da aprendizagem humana no âmbito da cognição e da motricidade. Descreve-se experimento dados originais para a área das Ciências do Movimento Humano, em que se monitora – com EEG e EMG – quantifica e interpreta a alteração de sinais de base em relação a modificações ocorridas durante vários momentos da aquisição da memória motora - aprendizagem - relativa à prática deliberada de partitura musical por violonista. Os dados reforçaram as hipóteses já comprovadas na literatura quanto ao maior esforço do sistema nervoso relacionada à exposição do violonista a uma tarefa específica e sua prática deliberada pelo sistema musculoesquelético, não servindo para generalizações, apenas como validação do desenho experimental e das análises estatísticas realizadas. O objetivo de monitorar, quantificar e descrever a dinâmica neural de freqüência eletrofisiológica durante o desenvolvimento de padrões musculoesqueléticos de coordenação e controle, foi alcançado. / This article presents a revision related to the cognitive questions of information processing involved in motor learning, to consolidate empirical research on the subject. The historical Brazilian educational background to culture of the human movement research is presented, based on bibliographical sources. Methodology of observation and quantification of bioelectrical physiological signals is proposed, which serves to identify the modifications occurred during the task-acquisition process. A experiment is described, along with data relevant for the Human Movement Sciences, in which the alteration of base signals in relation to various movements of the task are monitored, quantified and interpreted. The task consists of learning and performing a short musical excerpt by guitarists.

A análise do sono está baseada na polissonogra a e o sinal de EEG é o mais importante. A necessidade de desenvolver uma análise automática do sono tem dois objetivos básicos: reduzir o tempo gasto na análise visual e explorar novas medidas quantitativas e suas relações com certos tipos de distúrbios do sono. A estrutura do sinal de EEG de sono está relacionada com a chamada microestrutura do sono, que é composta por grafoelementos. Um destes grafoelementos é o fuso de sono (spindles). Foi utilizado um delineamento transversal aplicado a um grupo de indivíduos normais do sexo masculino para testar o desempenho de um conjunto de ferramentas para a detecção automática de fusos. Exploramos a detecção destes fusos de sono através de procura direta, Matching Pursuit e uma rede neural que utiliza como "input"a transformada de Gabor (GT). Em comparação com a análise visual, o método utilizando a transformada de Gabor e redes neurais apresentou uma sensibilidade de 77% e especi cidade de 73%. Já o Matching Pursuit, apesar de mais demorado, se mostrou mais e ciente, apresentando sensibilidade de 81,2% e especi cidade de 85.2%.

Dissertação (mestrado)—Universidade de Brasília, Faculdade UnB Gama, Programa de Pós-Graduação em Engenharia Biomédica, 2018. / Submitted by Fabiana Santos (fabianacamargo@bce.unb.br) on 2018-08-30T19:08:22Z No. of bitstreams: 1 2018_FilipeEmídioTôrres.pdf: 3263020 bytes, checksum: 67052b5b208c8be101de72f84c20c0f9 (MD5) / Approved for entry into archive by Raquel Viana (raquelviana@bce.unb.br) on 2018-09-10T18:37:59Z (GMT) No. of bitstreams: 1 2018_FilipeEmídioTôrres.pdf: 3263020 bytes, checksum: 67052b5b208c8be101de72f84c20c0f9 (MD5) / Made available in DSpace on 2018-09-10T18:37:59Z (GMT). No. of bitstreams: 1 2018_FilipeEmídioTôrres.pdf: 3263020 bytes, checksum: 67052b5b208c8be101de72f84c20c0f9 (MD5) Previous issue date: 2018-08-30 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES). / Os sinais de eletroencefalografia (EEG) podem ser utilizados para aplicações clínicas, como análises de níveis de sono, diagnósticos e acompanhamento de epilepsia, monitoramento e reabilitação. Esse tipo de sinal também é usado no contexto de interação cérebro-máquina (BCI do inglês, Brain Computer Interface), e seu uso é crescente em várias aplicações deste tipo, como controle de cadeiras de rodas, computadores e automóveis. Sendo assim, existem problemas comumente encontrados, por exemplo, na aquisição desse sinal. Muitas das vezes são necessárias de dezenas a centenas de eletrodos, além de que podem ocorrer falhas de contato exigindo trocas periódicas ou renovação de gel condutor. Outras dificuldades encontradas dizem respeito ao armazenamento e transmissão desses dados em dispositivos móveis e com restrição de consumo de energia. Portanto, existem técnicas de processamento de sinais diversas que podem diminuir o número de sensores necessários e reduzir os custos de armazenamento e transmissão. A proposta desta pesquisa é implementar e avaliar o Compressive Sensing (CS) e mais outras 4 técnicas aplicadas à compressão de sinais de EEG, visando compará-las quanto ao nível de esparsificação e à qualidade de sinais reconstruídos a partir da mesma quantidade de coeficientes. As técnicas utilizadas são o CS, a análise de componentes principais (PCA), análise de componentes independentes (ICA), 30 famílias de wavelets implementadas com base em bancos de filtros de decomposição e a transformada discreta de cossenos (DCT). O CS é destas técnicas a mais recentemente desenvolvida e apresenta possíveis vantagens na fase de aquisição com relação às demais, e o trabalho deseja avaliar sua viabilidade. Para a avaliação são considerados dois bancos de dados de sinais reais, um de polissonografia chamado Sleep Heart Health Study e um estudo em crianças do Instituto de Tecnologia de Massachusetts (MIT), ambos disponíveis publicamente. O estudo se baseia na transformação, quantização, codificação e em seus processos inversos para reconstrução do sinal. A partir dos resultados são realizadas comparações entre os sinais reconstruídos utilizando as diferentes representações escolhidas. Para a comparação, são usadas métricas quantitativas de razão do sinal-ruído (SNR), fator de compressão (CF), um tipo de diferença percentual residual (PRD1) e medidas de tempo.Foi observado que os algoritmos podem reconstruir os sinais com menos de 1=3 dos coeficientes originais dependendo da técnica utilizada. Em geral a DCT e a PCA têm um melhor resultado contra as outras nas métricas utilizadas. Porém cabe ressaltar que o CS permite menor custo de aquisição, possivelmente requisitando um hardware mais simples para isso. De fato, toda a aquisição realizada com base em CS pôde ser feita com medidas obtidas usando apenas soma dos sinais dos eletrodos, sem perdas em relação a matrizes de medidas que envolvem também multiplicações. Admitindo, por exemplo, uma reconstrução a partir de 50% do número de coeficientes do sinal no banco do MIT, a DCT conseguiu uma relação de SNR de 27; 8 dB entre o sinal original e a reconstrução. O PCA teve 24; 0 dB e as melhores wavelets ficaram na faixa dos 19 dB, já o CS com 8; 3 dB e o ICA apenas 1; 1 dB. Para esse mesmo banco, com 50% de CF, o PRD1 resultou em 27; 8% na DCT, 24; 0% na PCA, 17; 2% na wavelet biortogonal 2.2, 8; 3% no CS–10 e 1; 1% no ICA. Portanto, o estudo e uso do CS é justificado pela diferença de complexidade da fase de aquisição com relação a outras técnicas, inclusive tendo melhores resultados do que algumas delas. Na próxima etapa da pesquisa, pretende-se avaliar a compressão multicanal, para verificar o desempenho de cada técnica ao explorar a redundância entre os canais. Além de ferramentas que possam ajudar no desempenho do CS, como fontes de informação a priori e pré-filtragem dos sinais. / Electroencephalography (EEG) signals can be used for clinical applications such as sleep level analysis, diagnosis and monitoring of epilepsy, monitoring and rehabilitation. This type of signal is also used in the context of the Brain Computer Interface (BCI), and its use is increasing in many applications of this type, such as wheelchair, computer and automobile control. Thus, there are problems commonly encountered, for example, in the acquisition of this signal. Often times, it is necessary tens to thousands of electrodes, besides of contact failures may occur requiring periodic changes or conductive gel renewal. Other difficulties encountered relate to the storage and transmission of this data in mobile devices and with restricted energy consumption. Therefore, there are several signal processing techniques that can reduce the number of sensors required and also save storage and transmission costs. The purpose of this research is to implement and evaluate the Compressive Sensing (CS) and other 4 techniques applied to the compression of EEG signals, in order to compare them with the level of scattering and the quality of reconstructed signals from the same number of coefficients. The techniques used are CS, Principal Component Analysis (PCA), Independent Component Analysis (ICA), 30 families of wavelets implemented on the basis of decomposition filter banks and DCT (discrete cosine transform). CS is one of the most recently developed techniques and presents possible advantages in the acquisition phase in relation to the others, and the work wants to evaluate its viability. Two real-signal databases, a polysomnography called the Sleep Heart Health Study and one study of children at the Massachusetts Institute of Technology (MIT), both publicly available, are considered for the evaluation. The study is based on transformation, quantization, coding and its inverse processes for signal reconstruction. From the results are made comparisons between the reconstructed signals using the different representations chosen. For comparison, quantitative measurements of signal-to-noise ratio (SNR), compression factor (CF), a type of residual percentage difference (PRD1), and time measurements are used. It was observed that the algorithms can reconstruct the signals with less than 1/3 of the original coefficients depending on the technique used. In general, DCT and PCA have a better result comparing the others depending the metrics used. However, it is worth mentioning that CS allows lower cost of acquisition, possibly requesting a simpler hardware for this. In fact, all the acquisition based on CS could be done with measurements obtained using only the sum of the signals of the electrodes, without losses in relation to matrices of measures that also involve multiplications. Assuming, for example, a reconstruction from 50 % of the number of signal coefficients in the MIT database, the DCT achieved a SNR ratio of 27:8 dB between the original signal and the reconstruction. The PCA had 24:0 dB and the best wavelets were in the 19 dB range, the CS with 8:3 dB and the ICA only 1:1 dB. For this same database, with 50 % of CF, PRD1 resulted in 27:8% by DCT, 24:0% by PCA, 17:2% by biortogonal wavelet 2.2, 8:3% by CS–10 and 1:1% by ICA. Therefore, the study and use of CS is justified by the difference in complexity of the acquisition phase in relation to other techniques, including having better results than some of them. In the next step of the research, it is intended to evaluate the multichannel compression, to verify the performance of each technique when exploring the redundancy between the channels. In addition to tools that can help in the performance of the CS, as sources of information a priori and pre-filtering the signals.