[pt] Esse trabalho apresenta o desenvolvimento de uma interface cérebro-máquina (Brain Machine Interface - BMI) como um meio alternativo de comunicação para uso na robótica. O trabalho engloba o projeto e construção de um eletroencefalógrafo (EEG), assim como o desenvolvimento de todos os algoritmos computacionais e demais técnicas necessárias para o reconhecimento de atividades mentais. A interface cérebro-máquina desenvolvida é utilizada para comandar os movimentos de um manipulador robótico MA2000, associando quatro atividades mentais distintas a quatro movimentos do manipulador. A interface baseia-se na análise de sinais eletroencefalográficos, extraindo desses, características que podem ser classificadas como uma atividade mental específica. Primeiramente os sinais EEG são pré-processados, filtrando-se os ruídos indesejados, utilizando filtros espaciais para o aumento da resolução espacial do escalpe, e extraindo-se características relevantes à classificação das atividades mentais. Em seguida, diferentes modelos de classificadores são propostos, avaliados e comparados. Por último, duas implementações dos classificadores são propostas para aumentar o índice de comandos corretos para o manipulador. Em uma das implementações, obtiveram-se taxas de acerto de até 91% dos comandos, enquanto a taxa de comandos incorretos chegou ao mínimo de 1.25% após 400 tentativas de controle do manipulador. / [en] This work presents the development of a brain machine interface as an
alternative communication channel to be used in Robotics. It encompasses the
implementation of an electroencephalograph (EEG), as well as the development
of all computational methods and necessary techniques to identify mental
activities. The developed brain machine interface (BMI) is applied to activate the
movements of a MA2000 robotic arm, associating four different mental
activities to robotic arm commands. The interface is based on EEG signal
analyses, which extract features that can be classified as specific mental
activities. First, a signal preprocessing is performed from the EEG data, filtering
noise, using a spatial filter to increase the scalp signal resolution, and extracting
relevant features. Then, different classifier models are proposed, evaluated and
compared. Finally, two implementations of the developed classifiers are
proposed to improve the rate of successful commands to the robotic arm. In one
of the implementations, a rate of successful commands up to 91% was obtained,
with wrong commands as low as 1.25%, after 400 attempts to control the robotic
arm.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:17057 |
Date | 11 March 2011 |
Creators | ALEXANDRE ORMIGA GALVAO BARBOSA |
Contributors | MARCO ANTONIO MEGGIOLARO |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.002 seconds