slides - PET Engenharia de Computação
Transcrição
slides - PET Engenharia de Computação
INTERFACES CÉREBRO COMPUTADOR André Ferreira Alessandro Botti Benevides Anibal Cotrina Atencio Sumário: 1 – Anatomia do encéfalo humano; 2 - O que é o sinal de EEG? 3 - Como medir o sinal de EEG? 4 - Qual é a informação existente no sinal de EEG? 2 1 - Anatomia do encéfalo humano; Controle de dispositivos por: - Tarefas mentais motoras (imaginação de movimento de membros); - Potenciais evocados visuais; - Tarefas mentais auditivas (imaginação de sons); - Tarefas mentais de associação de palavras; 3 1- Anatomia do encéfalo humano • Lobos cerebrais 4 1- Anatomia do encéfalo humano • Mapa citoarquitetônico de Brodmann (47 áreas) Esquerda: Mapa citoarquitetônico de Brodmann; Direita: Principais áreas relacionadas ao processamento dos sentidos. 5 1- Anatomia do encéfalo humano • Áreas motoras Esquerda: Mapa somatotópico do giro pré-central (M1); Direita: Mapa somatotópico do giro pós-central (S1). 6 1- Anatomia do encéfalo humano • Contralateralidade dos movimentos motores 7 1- Anatomia do encéfalo humano • Córtex visual 8 1- Anatomia do encéfalo humano • Córtex auditivo Mapa tonotópico cortical 9 1- Anatomia do encéfalo humano • Córtex auditivo teciário – imaginação de sons. 10 1- Anatomia do encéfalo humano • Áreas relacionadas à linguagem 11 2- O que é o sinal de EEG? 12 2- O que é o sinal de EEG? • Córtex cerebral É formado por 10% de células nervosas (neurônios) e 90% de células gliais (astrócitos, oligodendrócitos, célula ependimária, célula radial glial). 13 2- O que é o sinal de EEG? • Dipolo equivalente: - disposição bipolar; - PPS (10 - 100 ms), PA (1 ms); - mesmo neurotransmissor (glutamato - PEPS); - orientação; - sincronismo; 14 2- O que é o sinal de EEG? 15 3. Como medir o sinal de EEG? - Métodos para aquisição do EEG; - Sistema Internacional de Posicionamento de Eletrodos ; - Artefatos; - Circuitos de aquisição de EEG; 16 3- Como medir o sinal de EEG? • Aquisição do EEG: - eletricidade estática (4 a 35 kV)*; - EEG (~100 µV); - ruído inserido no terra do circuito de aquisição (devido à fonte de alimentação) é da ordem de grandeza do sinal medido (µV). • Amplificação diferencial - eletrodo ativo (A); - eletrodo de aterramento (T); - eletrodo de referência (R); 17 * Electrostatic Discharge Association (ESDA) 3- Como medir o sinal de EEG? • Derivações: - bipolar; - unipolar (referência comum); - referência média comum (CAR); - derivação Laplaciana; 18 3- Como medir o sinal de EEG? • Sistema Internacional de Posicionamento de Eletrodos 10/20 (1958): A = Auricular (A1 e A2) Fp = Frontal pole (Fp1 e Fp2) F = Frontal (Fz, F3, F4, F7 e F8) C = Central (Cz, C3 e C4) P = Parietal (Pz, P3 e P4) T = Temporal (T3, T4, T5 e T6) O = Occipital (O1 e O2) 19 3- Como medir o sinal de EEG? • Sistema Internacional de Posicionamento de Eletrodos 10/10: 20 3- Como medir o sinal de EEG? • Artefatos: - artefatos de origem técnica: - artefatos de linha: fontes de tensão AC (60 Hz) - artefatos devido a flutuações na impedância do eletrodo: má fixação dos eletrodos e sudorese (0,1 a 1,7 V CC). 21 3- Como medir o sinal de EEG? • Artefatos: - artefatos de origem fisiológica: - Artefato de movimento ocular; - Artefato de movimento muscular: movimentos da cabeça, do pescoço ou piscadas de olhos. - Artefato cardíaco; 22 3- Como medir o sinal de EEG? • Circuito de aquisição: - Primeiro estágio: amplificação diferencial; INA118: Amplificador de instrumentação com alta resistência de entrada (1010 Ω) e baixo ruído (0.28µVP-P / 0 a 10Hz). 23 3- Como medir o sinal de EEG? • Circuito de aquisição: 24 3- Como medir o sinal de EEG? • Circuito de aquisição com filtro ativo (60 Hz): Filtro ativo de banda de rejeição com alto fator de qualidade (filtro supressor de faixa em duplo T) 25 3- Como medir o sinal de EEG? • Projeto do circuito analógico com 4 canais diferenciais 26 3- Como medir o sinal de EEG? • AD7716: 4 quatro canais, banda passante de até 584 Hz e conversores AD com resolução de 22 bits. 27 3- Como medir o sinal de EEG? LPC2148 : micro-controlador baseado numa CPU de 32 bits ARM7TDMIS com clock de até 60 MHZ. Memória flash de 512 KB. Interfaces USB 2.0, UARTS múltiplas, SPI, SSP para I2C e um chip SRAM de 8 KB. Conversores AD de 10 bits. 28 3- Como medir o sinal de EEG? • Projeto do circuito digital com 4 canais diferenciais. • BrainNet – BNT 36 - 20 de EEG; - 10 canais bipolares para EMG. 29 4. Qual é a informação existente no sinal de EEG? - Ritmos do EEG; - Potenciais relacionados à eventos (ERPs); - Dessincronização e Sincronização relacionada à evento (ERD/ERS); - Circuito oscilatório tálamo-cortical; - Características para identificação de tarefas mentais; 30 4- Qual é a informação existente no sinal de EEG? • Espectro de freqüências do EEG: • Ritmos principais: Banda Freqüência (Hz) Amplitude ( µV ) Localização (lóbulos) Delta (δ) 1-4 < 100 Variável Teta (θ) 4-8 < 100 Variável Alfa (α) 8 - 13 20 - 60 Occipital Beta (β) 14 - 30 20 - 30 Frontal e Parietal Mu (µ) 10 - 12 < 50 Frontal e Parietal Gama(γ) 25-100 < 50 Variável 31 4- Qual é a informação existente no sinal de EEG? • Ritmo δ (1 - 4 Hz): observado em estágios de sono profundo. • Ritmo θ (4 - 8 Hz) : observado sobre a região frontal quando a pessoa realiza atividades mentais tais como a solução de problemas e na região temporal e parietal durante emoções de stress despontamento e frustração. • Ritmo α (8 -13 Hz): detectado com os olhos fechados e sob condições de relaxamento físico e inatividade mental. É atenuado por atenção, principalmente visual, e esforço mental. • Ritmo µ (10 -12 Hz): registrado sobre o córtex motor. É atenuado durante movimento ou intenção de se mover. • Ritmo β (14 - 30 Hz) : observado durante abertura dos olhos em estado de vigília, ou no sono REM. É bloqueado por atividade motora e estimulação tátil. • Ritmo γ (25 - 100 Hz) : relacionado à percepção sensorial (auditiva e visual). 32 4- Qual é a informação existente no sinal de EEG? • Potenciais relacionados à evento (ERPs): o evento é um estímulo físico externo, como um estímulo elétrico em um nervo, um estímulo visual ou um estímulo auditivo. • Considera-se que o ERP ocorre com um atraso aproximadamente constante em relação ao evento, e a atividade espontânea do EEG é modelada como um ruído aleatório aditivo 33 4- Qual é a informação existente no sinal de EEG? • Dessincronização e Sincronização relacionada à evento (ERD/ERS): 34 4- Qual é a informação existente no sinal de EEG? • Dessincronização e Sincronização relacionada à evento (ERD/ERS): 35 4- Qual é a informação existente no sinal de EEG? Circuitos neurais dos núcleos da base Língua → Nervos cranianos VII, IX e X → VPM → Córtex gustativo primário Cóclea → Nervos cranianos VIII → CGM → Córtex auditivo primário (A1) Retina→ Nervo óptico (Nervo craniano II)→ CGL → Córtex visual primário (V1) Sistema sensorial → Medula espinhal → VP → Córtex somatossensorial primário (S1) 36 Córtex frontal→núcleos da base→VL→Córtex (AMS) → Córtex motor primário (M1) 4- Qual é a informação existente no sinal de EEG? Circuito neuronal da alça motora Córtex frontal→núcleos da base→VL→Córtex (AMS) → Córtex motor primário (M1) 37 4- Qual é a informação existente no sinal de EEG? Circuitos neuronais: Circuito neuronal excitatório-inibitório Circuito neuronal oscilatório simples (2 neurônios) Circuito neuronal oscilatório complexo 38 4- Qual é a informação existente no sinal de EEG? Neurônios marca-passo: O tálamo apresenta um conjunto particular de células neuronais chamadas neurônios marca-passo que podem compelir um grupo muito maior de células corticais a seguir o ritmo talâmico. ERD/ERS na banda α no lobo occipital: 39 ERD/ERS 4- Qual é a informação existente no sinal de EEG? ERD/ERS na banda µ do córtex motor: 40 4- Qual é a informação existente no sinal de EEG? ERD/ERS durante tarefas motoras: - Imaginação de movimento da mão direita. 41 4- Qual é a informação existente no sinal de EEG? ERD/ERS durante tarefas motoras: - Imaginação de movimento da mão esquerda. 42 4- Qual é a informação existente no sinal de EEG? ERD/ERS durante tarefas motoras: - Imaginação de movimento de ambos os pés. 43 4- Qual é a informação existente no sinal de EEG? ERD/ERS durante tarefas motoras: - Imaginação de movimento da boca. 44 4- Qual é a informação existente no sinal de EEG? ERD/ERS durante tarefas motoras: - Imaginação de rotação de um cubo. 45 4- Qual é a informação existente no sinal de EEG? ERD/ERS durante tarefas motoras: - Imaginação/lembrança de sons. 46 4- Qual é a informação existente no sinal de EEG? Características simples: - energia média das bandas α, β e γ de cada canal; 47 4- Qual é a informação existente no sinal de EEG? energia média das bandas α, β e γ de cada canal; 48 PARTE 3... 49 Navegação de Cadeira de Rodas 50 51 CONTROL 52 CONTROL RECONHECIMENTO DE COMANDO 53 Interface Cérebro Computador 54 Operação on-line 55 O que é Reconhecimento de Padrões “A atribuição de um objeto físico ou evento para uma das várias categorias pré-especificados” -- Duda & Hart • Um padrão é um objeto, processo ou evento que pode ser dado um nome. • Uma classe (ou categoria) é um conjunto de padrões de compartilhamento de atributos comuns e, geralmente, oriundos da mesma fonte. • Durante o reconhecimento (ou classificação) objetos dados são atribuídos a categorias prescritas. • Um classificador é uma máquina que realiza a classificação. Exemplos de aplicação •Reconhecimento • manuscritos: organização de envelopes por CEP. ótico de caracteres • Textos impressos: Leitura para pessoas cegas, digitalização de documentos. (OCR) • Biometria • Sistemas de • Reconhecimento de faces, verificaçãoFace recognition, busca e verificação. • Reconhecimento de impressões digitais. •Reconhecimento de fala •Diagnóstico médico: X-Ray, ECG, EEG. •Diagnóstico de falhas em máquinas. diagnóstico • Reconhecimento automático de alvos (ATR). •Aplicações militares • Segmentação de imagens e analise (reconhecimento a partir de fotografias de satélite). Abordagens • Estatístico: baseado em modelos estatísticos dos padrões e das classes. • Estrutural (ou sintático): As classes são representadas por estruturas formais como gramática, autômatos, cordas, etc. • Redes neurais: O classificador é epesentado como uma rede de neuônios do cérebro humano (abordagem conexionista). Conceptos básicos Pattern y ∈Y y x1 x 2 = x M xn Vetor de características x∈X - Vetor de observações (medições). - x é um ponto no espaço de -características. X Estado oculto - Não pode se medido diretamente. -Padrões com o mesmo estado oculto pertence à mesma classe. Tarefa - Projetar um classificador (regra de decisão) q : X → Y que decide sobre um estado oculto com base em uma observação. Example height Tarefa: jockey-hoopster recognition. weight x1 x = x 2 Classificador linear: Conjunto de estados ocultos Espaço de características Y = {H , J } X = ℜ2 Exemplos de Treinamento {( x1 , y1 ),K , (x l , yl )} x2 y=H H if (w⋅ x) +b ≥ 0 q(x) = J if (w⋅ x) +b < 0 y=J (w⋅ x) +b = 0 x1 Componentes de um Sistema de Reconhecimento de Padrões Padrão Sensores e preprocessamento Teacher Extração de Características Classificador Atribuição da classe Algoritmo de aprendizagem • Sensores e pre-processamento. • Extração de características ajuda criar boas características discriminativas para melhorar a classificação. • Classificador. • Teacher fornece informações sobre o estado oculto. • Algoritmo de aprendizagem define o reconhecimento de padrões a partir de exemplos de treinamento. Extração de característica Objetivo: Extrai boas características para a classificação Boas características:• Objetos da mesma classe tem valores de características semelhantes. • Objetos de classes diferentes tem diferentes valores. “Good” features “Bad” features Extração de característica Métodos de extração de características Extração de características m1 m 2 M mk φ1 φ2 φn x1 x 2 M xn Seleção de Características m1 m 2 m3 M mk x1 x 2 M xn φ(θ) Problema pode ser expresso como a optimização dos parâmetros de featrure extractor. Métodos supervisionados: a função objetivo é o critério de separabilidade (discriminability) de exemplos rotulados, por exemplo, análise de discriminar linear (LDA). Métodos não supervisionados: menor representação dimesional que preserva características importantes dos dados de entrada, por exemplo, a análise de componentes, principal (PCA). Classificação O classificador particiona o espaçõ de características X en regiões tal que X = X 1 ∪ X 2 ∪ K ∪ X |Y | X1 and X 1 ∩ X 2 ∩ K ∩ X |Y | = {0} X1 X3 X1 X2 X2 X3 A classificação consiste em determinar a região à qual uma característica vector x pertence. As fronteiras entre os limites de decisão são chamadas de regiões de decisão. Representação de um Classificador O classificador é tipicamente representado como um conjunto d funções discriminantes f i (x) : X → ℜ, i = 1, K, | Y | O classificador atribui um vetor de característica x à iésima classe se f i (x) > f j (x) ∀j ≠ i f1 ( x ) x Vetor de características f 2 ( x) M f|Y|(x) Funções discriminantes max y Identificador de classe Regiões de decisão Classificadores mais usados 68 Classificador Bayesiano KNN SVM Redes Neurais Regiões de decisão de Redes Neurais Operação on-line 74 AULA PRATICA... 75
Documentos relacionados
02. EEG e Potenciais Evocados – Uma Introdução
1.1. Ritmos do eletroencefalograma O registro dos sinais elétricos presentes no escalpo indica que a atividade elétrica no cérebro ocorre continuamente e a intensidade e o ritmo destes sinais depen...
Leia mais