Classificação binária de movimentos imaginários da flexão da mão capturados por eletroencefalografia através de um sistema neuro-fuzzy

Abstract

Este trabalho consiste na avaliação do método Neuro-Fuzzy associado ao Substractive Clustering como classificador de sinais de eletroencefalografia para sistemas Brain Computer Interface (BCI), utilizando a combinação de três diferentes características extraídas deste sinal, durante a imaginação do movimento de flexão da mão direita ou esquerda. Para isto é avaliado a ocorrência dos fenômenos ERD e ERS, com o objetivo de determinar em qual segmentação no tempo devem ser extraídas as características do mesmo. Os sinais de Eletroencefalografia avaliados são provenientes do banco de dados do BCI Competition e de um ensaio adquirido no Laboratório de Instrumentação Eletroeletrônica & Biosinais da UFRGS. O método proposto é testado e comparado com outro método de aprendizagem de máquina denominado Multi Layer Percetron (MLP) treinado com o algoritmo Levenberg-Marquardt (LM), com o objetivo de conhecer qual o método e a combinação de características apresenta a maior taxa de acerto. Em sequência, estas taxas de acerto são comparadas com as taxas de acerto de outros trabalhos da área. Os métodos propostos neste trabalho alcançaram uma taxa de acerto máxima de 92,6±1,1% para a ANFIS SC e 87,9±1,5% para a MLP LM. Por fim, é apresentada uma análise estatística dos resultados alcançados.

This work evaluates the Neuro-Fuzzy method associated with Substractive Clustering as an electroencephalographic signal classifier for Brain Computer Interface (BCI) systems, using the combination of three different features extracted from this signal, during the imagination of the flexion movement of the right or left hand. For this, the occurrence of the ERD and ERS phenomena is evaluated, in order to determine in which segmentation in time the characteristics of the same should be extracted. The electroencephalography signals evaluated come from the BCI Competition database and from a trial acquired at the UFRGS Electroelectronic & Biosignal Instrumentation Laboratory. The chosen method is tested and compared with another machine learning method called Multi Layer Percetron (MLP) trained with the Levenberg-Marquardt (LM) algorithm, in order to know which method and combination of features has the highest rate. As a result, these hit rates are compared to hit rates from other jobs in the area. The methods proposed in this study reached a maximum accuracy of 92.6 ± 1.1% for ANFIS SC and 87.9 ± 1.5% for MLP LM. Finally, a statistical analysis of the results achieved is presented.