Resumo |
Desde a descoberta, por Luigi Galvani, em 1784,que o tecido nervoso é eletricamente excitável, a neurofisiologia lentamente começou a desvendar as propriedades da bioeletrogênese, ou seja, a geração de impulsos elétricos em nervos e músculos. Este trabalho foi realizado ao longo do século XIX, por cientistas como Emil du Bois-Reymond¸ que, ajudados por sucessivos desenvolvimentos técnicos que permitiram a medida de correntes elétricas cada vez menores, passaram a estudar com crescente detalhe as propriedades da atividade elétrica do sistema nervoso. As atividades elétricas encontradas no cérebro são uma consequência do fluxo de correntes iônicas desencadeadas por potenciais de ação, em função de estímulos sensoriais, execução de tarefas, pensamentos etc. Ao registro eletrográfico de atividades cerebrais no escalpo dá-se o nome de eletroencefalograma (EEG). São de especial interesse os sinais de EEG coletados concomitantemente à apresentação de estímulos sensoriais, pois tais sinais carregam informações acerca da via neural e dos núcleos cerebrais ativados no processamento da informação sensorial – este potencial elétrico relacionado a eventos é conhecido como resposta evocada (RE). Neste trabalho é apresentado uma forma de se classificar estímulos auditivos captados por eletroencefalograma utilizando-se Máquinas de Vetor de Suporte. O objetivo do projeto foi desenvolver um sistema de ICC explorando os efeitos de atenção nas respostas auditivas em regime permanente (ASSRs), onde o usuário faça escolhas binárias. Este sistema foi baseado em EEG, uma vez que os sinais foram coletados simultaneamente com dois diferentes tons de AM. O processo de classificação foi realizado após a redução dimensional dos dados com análise de componentes principais (PCA) e extração de características usando-se os parâmetros auto regressivos (AR). É abordado também uma nova forma de se avaliar as ASSRs tentado-se classificar se o individuo encontra-se focando atenção no estímulo produzido no ouvido direito ou no ouvido esquerdo. Utilizando-se em todo o experimento 30% dos dados para validação. O melhor resultado binário analisando apenas grupos com mesma frequência portadora e moduladora teve no mínimo uma taxa de acerto de 75% chegando a casos onde o acerto foi de 100%. Já para o caso que envolvia um classificador que englobasse todos os dados a melhor taxa de acerto foi de 72,73% obtido por uma máquina de vetor de suporte utilizando um modelo AR de ordem 6. O que evidenciou a relativa capacidade de classificação de uma máquina de vetores de suporte. |