Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/40005
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2020_FernandoViniciusGonçalvesdeSouza.pdf23,46 MBAdobe PDFVisualizar/Abrir
Título: Desenvolvimento e avaliação de um sistema de espectroscopia funcional de infravermelho próximo para detecção de movimento intencional com base na atividade cerebral
Autor(es): Souza, Fernando Vinicius Goncalves de
Orientador(es): Mendes, Cristiano Jacques Miosso Rodrigues
Assunto: Síndrome do encarceramento total
Esclerose lateral amiotrófica
Espectroscopia de infravermelho próximo
Classificadores
Aprendizado supervisionado
Data de publicação: 1-Fev-2021
Referência: SOUZA, Fernando Vinicius Goncalves de. Desenvolvimento e avaliação de um sistema de espectroscopia funcional de infravermelho próximo para detecção de movimento intencional com base na atividade cerebral. 2020. xxi, 85 f., il. Dissertação (Mestrado em Engenharia Biomédica)–Universidade de Brasília, Brasília, 2020.
Resumo: Pessoas que possuem doenças do neurônio motor têm dificuldades de interagir e de se comunicar com o ambiente ao seu redor. Umas das doenças do neurônio motor mais comuns é a Esclerose Lateral Amiotrófica (ELA), em que os acometidos pela doença perdem a capacidade de se comunicar verbalmente. Em um estágio avançado da ELA, chamado de Síndrome do Encarceramento Total, do inglês Complete Locked-In State (CLIS), os pacientes perdem o controle de todas as resposta musculares voluntárias, porém possuem um estado de consciência normal. Uma das alternativas para pessoas que possuem essas síndromes é a utilização de uma Interface Cérebro Computador (ICC) como mecanismo de comunicação. ICCs são sistemas eletrônicos que tentam discernir padrões em sinais de atividades encefalográficas para utilizá-los como auxílio à seres humanos com mobilidades reduzidas. Dentre as técnicas utilizadas para captar esses sinais encefalográficos, a Espectroscopia Funcional de Infravermelho Próximo, do inglês functional Near Infrared Spectroscopy (fNIRS), tem sido objeto crescente de estudo nos últimos anos. A fNIRS é uma técnica não-invasiva, que utiliza uma abordagem óptica para adquirir tais sinais. Seu principio baseia-se em mensurar as taxas de oxigenação e desoxigenação do fluxo sanguíneo no córtex cerebral. Ela situa-se em um meio termo entre as técnicas de Eletroencefalografia (EEG) e Imagem por Ressonância Magnética Funcional, do inglês functional Magnetic Resonance Imaging (fMRI), porém com maior flexibilidade e menor risco à saúde de quem a utiliza. Nesse contexto, a pesquisa propôs a desenvolver um sistema eletrônico de aquisição multicanal de sinais de fNIRS, e avaliá-lo em um cenário de classificação de sinais reais de humanos, buscando diferenciar movimentos intencionais de não-intencionais. A metodologia consistiu em projetar a instrumentação de aquisição, implementar um modelo de classificação SVM, e coletar sinais do córtex cerebral de humanos, com base em um protocolo experimental aprovado por um Comitê de Ética. O processo de classificação foi realizado utilizando um modelo preditivo do tipo SVM, com kernel gaussiano. Para estimar melhor as métricas de desempenho do modelo, foi utilizada a técnica de validação cruzada K-Fold, com k=5. Ao todo foram avaliados três cenários distintos de classificação. Participaram das coletas, no total, cinco voluntários. Cada sessão de coleta teve duração de 6 minutos, onde cada participante foi instruído a passar metade do tempo em repouso e a outra metade realizando movimentos sequenciais com as mãos. O primeiro consistiu em adquirir sinais com apenas um canal, formado por uma topologia simples de uma fonte de luz com um fotodetector. Os sinais foram coletados em duas sessões em um mesmo dia, com condições de iluminação controladas. Cada sessão utilizou uma fonte de emissão distinta uma da outra. A acurácia média obtida ficou superior a 90% para os dois participantes. O segundo experimento avaliou um cenário de classificação com a aquisição de 10 canais simultaneamente, adquiridos com 3 voluntários, em um mesmo dia cada. Os 10 canais foram gerados utilizando duas fontes de emissão em conjunto com cinco fotodetectores. A acurácia média para esse cenário foi de 98%, indicando que o modelo conseguiu discernir bem a presença da ausência de movimento. O último experimento teve como objetivo avaliar o desempenho de classificação com sinais coletados em dias distintos para um mesmo participante, simulando condições de iluminação distintas. Para tal, foram repetidas as coletas com os últimos 3 voluntários, dois dias após às primeiras sessões. O modelo foi treinado com os sinais da primeira sessão, e a inferência foi feita com os sinais da segunda sessão. Nesse cenário, as métricas de desempenho obtidas revelaram que não foi possível discernir com boa acurácia as classes avaliadas. No geral, os resultados obtidos com os experimentos foram similares aos de trabalhos da literatura levantada, validando o sistema de aquisição implementado.
Abstract: People who suffers from motor neuron diseases have difficulties to interact and communicate with the environment around them. One of the most common motor neuron diseases is Amyotrophic Lateral Sclerosis (ALS), in which those affected by the disease lose the ability to communicate verbally. In an advanced stage of ALS, called Complete Locked-In State (CLIS), patients lose control of all voluntary muscle responses, but still have a normal conscious state. One of the possible alternatives for people who have these syndromes is a Brain Computer Interface (BCI), for use as a communication mechanism. BCIs are electronic systems that try to discern patterns in signals of encephalographic activities, using these patterns as an aid to humans with reduced mobility. Among the techniques used to capture these encephalographic signals, the functional Near Infrared Spectroscopy (fNIRS) has been an object of increasing study in recent years. fNIRS is a non-invasive technique that uses an optical approach to acquire such signals. Its principle is based on measuring the oxygenation and deoxygenation rates of blood flow in the cerebral cortex. It situates between the techniques of Electroencephalography (EEG) and functional Magnetic Resonance Imaging (fMRI), but with greater flexibility and less risk to the health of those who use it. In this context, the research proposed to develop an electronic system for multichannel acquisition of fNIRS signals, and to evaluate it in a scenario of classification of real human signals, seeking to differentiate intentional from unintentional movements. The methodology consisted of designing the acquisition instrumentation, implementing an SVM classification model, and collecting signals from the human cerebral cortex, based on an experimental protocol approved by a Human Ethics Committee. The classification process was performed using a predictive model of the SVM type, with Gaussian kernel. To better estimate the model's performance metrics, the K-Fold cross-validation technique was used, with k=5. Three different classification scenarios were evaluated, and five volunteers participated of the experiments. Each acquisition session lasted 6 minutes, and each participant was instructed to spend half the time at rest and the other half to perform sequential hand movements. The first consisted of acquiring signals with only one channel, formed by a simple topology of one light source with one photodetector. The signals were collected in two sessions on the same day, with controlled lighting conditions. Each session used a different emission source. The average accuracy obtained was greater than 90% for the two participants. The second experiment evaluated a classification scenario with the acquisition simultaneously of 10 channels, acquired with 3 volunteers, on the same day each. The 10 channels were generated using two emission sources together with five photodetectors. The average accuracy for this scenario was 98%, indicating that the model was able to discern well the presence of the absence of movement. The last experiment aimed to evaluate the classification performance with signals collected on different days for the same participant, simulating different lighting conditions. For this, collections were repeated with the last 3 volunteers, two days after the first sessions. The model was trained with the signals from the first session, and the inference was made with the signals from the second session. In this scenario, the performance metrics obtained revealed that it was not possible to discern the evaluated classes, with the adopted methodology. In general, the results obtained with the experiments were similar to those of studies in the literature, validating the implemented acquisition system.
Unidade Acadêmica: Faculdade UnB Gama (FGA)
Informações adicionais: Dissertação (Mestrado em Engenharia Biomédica)–Programa de pós-graduação em Engenharia Biomédica, Universidade de Brasília, Brasília, 2020.
Programa de pós-graduação: Programa de Pós-Graduação em Engenharia Biomédica
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.