Exportar este item: EndNote BibTex

Use este identificador para citar ou linkar para este item: https://tedebc.ufma.br/jspui/handle/tede/tede/4210
Tipo do documento: Dissertação
Título: Identificação de atividades cognitivas a partir de modelos de aprendizado de máquina aplicados ao processamento de sinais de Eletroencefalograma (EEG)
Título(s) alternativo(s): Cognitive activity identification from machine learning models applied to Electroencephalogram (EEG) signal processing
Autor: SILVA, Juliana Mycaelle Oliveira 
Primeiro orientador: BARROS FILHO, Allan Kardec Duailibe
Primeiro membro da banca: BARROS FILHO , Allan Kardec Duailibe
Segundo membro da banca: SOUSA, Gean Carlos Lopes de
Terceiro membro da banca: ROCHA, Priscila Lima
Resumo: Os diferentes tipos de atividades realizadas pelo sujeito, como ler; ouvir música; dançar; entre outras, conduzem a ativação das regiões encefálicas. Dentre essas atividades, as atividades cognitivas estão associadas a uma ativação de regiões encefálicas relacionadas com a aprendizagem, como as regiões do lóbulo frontal (Superior Frontal, Precuneus, entre outras). Diversos estudos vem sendo desenvolvidos para relacionar atividades cognitivas e as regiões encefálicas associadas. Este tipo de estudo é importante na compreensão da funcionalidade e conectividade do encéfalo e esse conhecimento pode servir de auxílio para o diagnóstico de anormalidades no seu funcionamento. Este estudo tem como objetivo a elaboração de um modelo classificador de atividades encefálicas durante o desenvolvimento de uma atividade cognitiva dentro das três categorias de atividade: Jogo de video game, música ou matemática. Para isso, utilizou-se dos sinais de Eletroencefalograma (EEG) coletados em duas bases de dados públicas e com uso da técnica de estimação de fontes encefálicas estimou-se as regiões anatômicas relacionadas a cada uma das atividades. Após essa determinação, foi treinado e testado um modelo baseado em aprendizado de máquinas que classifica o tipo de atividade desempenhada de acordo com as categorias de atividade. Dos resultados obtidos, podemos ressaltar o modelo classificador das atividades encefálicas elaborado com accurácia de 99,9%.
Abstract: The different types of activities performed by the subject, such as reading; lis- ten to music; to dance; among others, they lead to the activation of brain regions. Among these activities, cognitive activities are associated with an activation of brain regions related to learning, such as the frontal lobe regions (Superior Frontal, Pre- cuneus, among others). Several studies have been developed to relate cognitive activities and associated brain regions. This type of study is important in unders- tanding the functionality and connectivity of the brain and this knowledge can help to diagnose abnormalities in its functioning. This study aims to develop a classifier model of brain activities during the development of a cognitive activity within the three categories of activity: Video game, music or mathematics. For this, we used the Electroencephalogram (EEG) signals collected in two public databases and using the technique of estimation of brain sources, the anatomical regions related to each of the activities were estimated. After this determination, a model based on ma- chine learning was trained and tested that classifies the type of activity performed according to the activity categories. From the obtained results, we can highlight the en-cephalic activities classifier model elaborated with an accuracy of 99.9%.
Palavras-chave: Eletroencefalograma;
EEG;
Aprendizado de máquinas;
Inteligência Artificial.
Electroencephalogram;
EEG;
Machine Learning;
Artificial Intelligence.
Área(s) do CNPq: Ciência da Computação
Idioma: por
País: Brasil
Instituição: Universidade Federal do Maranhão
Sigla da instituição: UFMA
Departamento: DEPARTAMENTO DE ENGENHARIA DA ELETRICIDADE/CCET
Programa: PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET
Citação: SILVA, Juliana Mycaelle Oliveira. Identificação de atividades cognitivas a partir de modelos de aprendizado de máquina aplicados ao processamento de sinais de Eletroencefalograma (EEG). 2022. 72 f. Dissertação (Programa de Pós-Graduação em Engenharia Elétrica/CCET) - Universidade Federal do Maranhão, São Luís.
Tipo de acesso: Acesso Aberto
URI: https://tedebc.ufma.br/jspui/handle/tede/tede/4210
Data de defesa: 16-Set-2022
Aparece nas coleções:DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
JULIANAMYCAELLEOLIVEIRASILVA.pdfDissertação de Mestrado7,68 MBAdobe PDFBaixar/Abrir Pré-Visualizar


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.