Skip navigation
Please use this identifier to cite or link to this item: http://repositorio.unb.br/handle/10482/13808
Files in This Item:
File Description SizeFormat 
2012_MuriloCoutinhoSilva.pdf12,67 MBAdobe PDFView/Open
Title: Selecionador de características para classificação de sinais de EEG e construção de Interfaces Cérebro-Máquina
Authors: Silva, Murilo Coutinho
Orientador(es):: Borries, George Freitas von
Assunto:: Eletroencefalografia
Neurônios
Cérebro
Issue Date: 1-Aug-2013
Citation: SILVA, Murilo Coutinho. Selecionador de características para classificação de sinais de EEG e construção de Interfaces Cérebro-Máquina. 2012. ii, 132 f., il. Dissertação (Mestrado em Estatística)—Universidade de Brasília, Brasília, 2012.
Abstract: A classificação de sinais de eletroencefalogra a (EEG) vem sendo muito estudada recentemente para proporcionar aplicações como as Interfaces-Cérebro Máquina. Parte fundamental do processo de classificação é a chamada extração de características dos sinais de EEG. Na literatura, diversas técnicas de extração de características foram apresentadas e, entretanto, não existe uma técnica que supere as demais em todas as situações. Para solucionar este problema, este trabalho apresenta um novo algo- ritmo que seleciona automaticamente as melhores características selecionadas por várias técnicas de extração simultaneamente, produzindo um conjunto ótimo e reduzido de características que não é necessariamente o mesmo para cada aplicação prática. Pelo uso do novo algoritmo, todas as técnicas já apresentadas na literatura e as técnicas futuras podem ser combinadas para produzir o melhor e mais poderoso conjunto de características gerando taxas de classificação excelentes. Neste trabalho, o selecionador de características é testado utilizando vários conjuntos de dados reais obtendo as melhores taxas de classificação quando comparado a outras técnicas de classificação de dados de EEG. ______________________________________________________________________________ ABSTRACT
The classification of electroencephalography signals (EGG) has been extensively studied recently to provide applications such as Brain-Machine Interfaces. An important part of the classification of EEG signals is called feature extraction. In the literature, several techniques for feature extraction were presented, however, there is not one technique that overcomes the others in all situations. To solve this problem, this paper presents a new algorithm that selects the best set of features, extracted by several techniques simultaneously, producing an optimal and reduced set of features which is not necessarily the same for every practical application. By using the new algorithm, all the techniques presented in the literature can be combined to produce the best and most powerful set of features generating excellent classification rates. In this work, the new algorithm for feature extraction is tested using several real data sets obtaining the best classification rates when compared to other classification techniques of EEG data.
Description: Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2012.
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Appears in Collections:EST - Mestrado em Estatística (Dissertações)

Show full item record Recommend this item " class="statisticsLink btn btn-primary" href="/handle/10482/13808/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.