Classificação de biopotenciais via cadeias de Markov ocultas

Abstract

Este trabalho concentra-se na investigação do uso de Modelos de Markov Ocultos (HMM) para classificação de sinais de eletroencefalograa (EEG) obtidos por estímulos visuais. EEG e um biopotencial que possui grande aplicação na área médica, tanto para diagnósticos quanto para a investigação de sistemas de interface entre cérebro e computador (BCI - Brain-Computer Interfaces). A bibliografia recente apresenta vários estudos sobre aplicação de modelos HMM para classificação de sinais de EEG e mostram que o HMM é adequado por ser um modelo genérico que abrange diversas complexidades que surgem em dados de séries temporais. Este trabalho está dividido em três partes. Primeiro é apresentado o modelo HMM, o processo de estimação a ser utilizado e os critérios AIC e BIC para seleção dos modelos. A segunda parte apresenta estudos de simulação que utilizam diferentes condições amostrais para avaliar o procedimento de estimação, qualidade das estimativas e critérios de seleção. Finalmente, e feito o uso de um processo de estimação que inicializa o algoritmo EM com diferentes conjuntos de pontos iniciais aleatórios, para classificar sinais de EEG. Os sinais foram obtidos de estímulos visuais num estudo experimental conduzido por pesquisadores da Universidade do Texas em El Paso. As simulações realizadas mostram que os resultados obtidos para os estimadores são adequados e o critério AIC é superior ao BIC na indicação da ordem apropriada para o modelo. O estudo com dados experimentais apresenta indicações de que o modelo HMM consegue identificar as diferenças entre os sinais captados quando são comparados grupos de estímulos visuais envolvendo figuras abstratas e expressões aritméticas. _________________________________________________________________________________ ABSTRACT

This work focus in the investigation of Hidden Markov Models (HMM) applied to classification of electroencephalograph (EEG) data obtained by visual stimuli. EEG is a biopotencial signal with large application in medical el, as in diagnosis of diseases and investigation of brain-computer interfaces (BCI). The recent literature presents several studies on application od HMM models for classification of EEG signals and show that the HMM is suitable for being a generic model that includes several complexities arising in time series data. This work is divided into three main parts. First, it introduces the HMM model, the estimation process to be used and the AIC and BIC criteria for choosing models. Then the work presents simulation studies using different sampling conditions for evaluating the estimation procedure, quality of the estimates and selection criteria. Finally, it is used an estimation process for classification od EEG signals using different sets of random starting points for initialization of an EM algorithm. For the application study, EEG signals were obtained from visual stimuli in an experimental study conducted by researchers at the University of Texas at El Paso. The simulation study showed that the results obtained are suitable for the estimators and the AIC criterion is superior to the BIC criteria when indicationg the proper order for the model. The application in experimental data indicated that the HMM model can identify differences between signals obtained from visual stimuli involving abstract figures and arithmetic expressions.