skip to main content
Idioma:
Tipo de recurso Mostra resultados com: Mostra resultados com: Índice

Detecção e análise de sinais EEG com aplicação em robótica educacional

Pinto, Adam Henrique Moreira

Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Instituto de Ciências Matemáticas e de Computação 2019-12-17

Acesso online. A biblioteca também possui exemplares impressos.

  • Título:
    Detecção e análise de sinais EEG com aplicação em robótica educacional
  • Autor: Pinto, Adam Henrique Moreira
  • Orientador: Romero, Roseli Aparecida Francelin
  • Assuntos: Interação Homem-Máquina; Interfaces Cérebro-Computador; Robótica Educacional; Brain-Computer Interfaces (Bci); Human-Robot Interaction (Hri); Pedagogical Roboticsri)
  • Notas: Tese (Doutorado)
  • Descrição: Com a tecnologia, existem muitas formas de se aprimorar o aprendizado, mesmo fora da sala de aula. Sistemas educacionais têm sido bastante empregados para essa finalidade, inclusive com o uso de robôs, mas ainda pecam em alguns aspectos de interação com os humanos. As interfaces cérebro-computador (BCI) são sistemas que permitem a comunicação entre usuário e computador a partir de informações do cérebro, podendo dar mais robustez aos sistemas robóticos educacionais. As dificuldades dos alunos são claras durantes provas e outras atividades de avaliação, o problema são os erros durante os estudos para essas provas. Para ajudar neste ponto do aprendizado, foi utilizado um sinal evocado no cérebro relacionado à percepção do erro por um usuário, chamado de Error Related Potential (ErrP), que pode ser medido no EEG, uma forma não-invasiva de BCI. Porém, esses sistemas ainda pecam na qualidade do sinal obtido e na acurácia em encontrar esses momentos de erro. Neste trabalho, foi proposto um sistema de detecção do ErrP, passando pela filtragem, extração de características e classificação do sinal. O pré-processamento do sinal passou por filtros FIR e ICA para limpeza de ruídos e artefatos, foram criados vetores de características com as transformadas de Fourier e as famílias Haar e Daucechies de transformadas wavelets. Para classificação, foram comparadas redes neurais (MLP) e de aprendizado profundo (CNN). Os resultados demonstraram uma acurácia de 96% quando o sinal foi aplicado na base criada, e de 77,23% quando aplicada a toda a rede, mostrando ser promissora para utilização em sistemas educacionais. Além disso, mostrou que a diferença entre as famílias wavelets apresentadas neste trabalho foram pequenas, e que sua escolha pode ser feita considerando o tempo para processamento do sinal. Este trabalho serve como um módulo para um sistema educacional maior, que visa preencher algumas lacunas encontradas nos trabalhos disponíveis.
  • DOI: 10.11606/T.55.2020.tde-18032020-095758
  • Editor: Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Instituto de Ciências Matemáticas e de Computação
  • Data de criação/publicação: 2019-12-17
  • Formato: Adobe PDF
  • Idioma: Português
Links
Voltar para lista de resultados
Ir para página anteriorAnterior Resultado  4 AvançarIr para próxima página

  • Realização: ABCD-USP USP   Logos de Redes Sociais: Freepik

Buscando em bases de dados remotas. Favor aguardar.