Título: Análise de Sistemas Inteligentes Evolutivos para Classificação de Fluxo de Dados de Eletroencefalografia junto a Interfaces Cérebro-Computador
Título alternativo: Analysis of Intelligent Evolutionary Systems for Classification of Electroencephalography Data Flow with Brain-Computer Interfaces
Autoria de: Volnei Angelo Frigeri Junior
Orientação de: Daniel Furtado Leite
Presidente da banca: Daniel Furtado Leite
Primeiro membro da banca: Silvia Costa Ferreira
Segundo membro da banca: Cristiano Mesquita Garcia
Palavras-chaves: Sistemas Inteligentes, Interface Cérebro-Computador, Aprendizado de Máquina, Sistemas Fuzzy, eGFC
Data da defesa: 26/11/2021
Semestre letivo da defesa: 2021-1
Data da versão final: 30/11/2021
Data da publicação: 30/11/2021
Referência: Junior, V. A. F. Análise de Sistemas Inteligentes Evolutivos para Classificação de Fluxo de Dados de Eletroencefalografia junto a Interfaces Cérebro-Computador. 2021. 57 p. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação Bacharelado)-Universidade Federal de Lavras, Lavras, 2021.
Resumo: São descritos dois algoritmos fuzzy evolutivos para aprendizado de máquina online, viz., evolving Granular Fuzzy Classifier (eGFC) e Dynamic Evolving Neural-Fuzzy Inference System (DENFIS). O objetivo é processar fluxos de dados de eletroencefalografia (EEG) e construir modelos classificadores de emoções. Uma base de dados bem conhecida, chamada DEAP, é considerada. Os dados proveem de 32 sujeitos que assistem 40 vídeo-clipes musicais de 1 minuto cada. Após cada vídeo, preenchem formulários. Estes são usados para definir 8 rótulos de um problema de classificação de padrões. Os rótulos são definidos de acordo com quadrantes do modelo Excitação-Valência-Dominância. Analisou-se os efeitos de canais EEG individuais e de janelas de tempo. Um experimento multicanal visando comparar o desempenho dos dois algoritmos foi realizado. Conclui-se que todas as 4 bandas de frequência analisadas, entre 4 e 45Hz, contribuem para o desempenho de classificação. O lobo parietal se mostrou a região mais promissora para auxiliar a classificação. A velocidade de processamento de amostras de ambos os algoritmos é alta, em torno de milissegundos ou menos. A maior acurácia entre os dois algoritmos foi de 32,68 (eGFC) usando atributos espaciais provenientes do espectro de Fourier apenas. É notável que há aprendizado ao longo do tempo visto que a expectativa de acurácia de um classificador aleatório em um conjunto de dados balanceado é de 12,50. Conclui-se que padrões temporais em dados EEG predominam em relação aos padrões espaciais. A transformada de Fourier, embora interessante, não é a transformação mais adequada para a busca denovos padrões visto a perda de parte da informação temporal.
Abstract: Two evolving fuzzy algorithms for online machine learning are described, viz., evolving Granular Fuzzy Classifier (eGFC) and Dynamic Evolving Neural-Fuzzy Inference System (DENFIS). The objective is to process electroencephalogram (EEG) data streams, and build emotion classification models. A well-known dataset, namely DEAP, is considered. The data is provided by 32 subjects that are exposed to 40 musical videos of 1 minute. After each video, the subjects fill in some forms, which are used to define 8 labels of a pattern classification problem. The labels are defined according to the quadrants of the Arousal-Valence-Dominance sphere. Individual EEG channels and time-window lengths were evaluated. A multi-channel experiment, aiming to compare the performance of both evolving algorithms, was also carried out. We conclude that the 4 frequency bands under analysis, from 4 to 45Hz, contribute to the classification performance. The parietal lobe has shown to be the most significant region of the brain to assist classification. The processing speed of both algorithms is fast, around milliseconds or even less. The greatest accuracy was reached by eGFC, 32.68, using spatial attributes from the Fourier spectrum only. Model learning over time is notable since the expected accuracy of a random classifier in a balanced dataset is 12.50. We conclude that temporal patterns in EEG data are predominant over spatial patterns, and, therefore, the Fourier transform, altough helpful, is not the most appropriate transformation to search for new patterns.
URI: sip.prg.ufla.br/publico/trabalhos_conclusao_curso/acessar_tcc_por_curso/
engenharia_de_controle_e_automacao/20211201520765
URI alternaviva: repositorio.ufla.br/handle/1/54143
Curso: G022 - ENGENHARIA DE CONTROLE E AUTOMAÇÃO (BACHARELADO)
Nome da editora: Universidade Federal de Lavras
Sigla da editora: UFLA
País da editora: Brasil
Gênero textual: Trabalho de Conclusão de Curso
Nome da língua do conteúdo: Português
Código da língua do conteúdo: por
Licença de acesso: Acesso aberto
Nome da licença: Licença do Repositório Institucional da Universidade Federal de Lavras
URI da licença: repositorio.ufla.br
Termos da licença: Acesso aos termos da licença em repositorio.ufla.br
Detentores dos direitos autorais: Volnei Angelo Frigeri Junior e Universidade Federal de Lavras
Baixar arquivo