Desenvolvimento de uma ferramenta de coleta fisiológica multimodal usando aparelhos comerciais de eletroencefalograma e rastreamento ocular : estudo de caso : piscadas
Desenvolvimento de uma ferramenta de coleta fisiológica multimodal usando aparelhos comerciais de eletroencefalograma e rastreamento ocular : estudo de caso : piscadas
Autor(a)
Souza, Ana Paula Sandes de
Orientador(a) Coorientador(a)
Idrobo Pizo, Gerardo Antonio
Contato email
anapaulasandes.s@gmail.com
Data de aceite
2024-08-19
Data de disponibilizacao
2024-08-19
Data de publicacao
2024-08-19
Data de defesa submissao
2023-01-27
Citacao
SOUZA, Ana Paula Sandes de. Desenvolvimento de uma ferramenta de coleta fisiológica multimodal usando aparelhos comerciais de eletroencefalograma e rastreamento ocular: estudo de caso: piscadas. 2023. 71 f. il. Dissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Brasília, 2023.
Dissertação (mestrado) — Universidade de Brasília, Faculdade Gama, Programa de Pós-Graduação em Engenharia Biomédica, 2023.
Resumo Portugues
O eletroencefalograma (EEG) e o rastreamento ocular (ET, do Inglês Eye Tracking) são formas não-invasivas de se observar o comportamento do sistema nervoso. A combinação destes dados tende a apresentar maior capacidade classificatória do que datasets unimodais, quando utilizados no treinamento de algoritmos de aprendizado de máquina. Além de uma maior acurácia, estes datasets permitem uma maior compreensão sobre o funcionamento fisiológico por trazer mais de um tipo de informação. Este trabalho apresenta uma alternativa aos equipamentos clínicos e de alto custo, construída a partir de equipamentos comerciais, capaz de gerar um dataset multimodal de EEG e ET coletados ao longo do tempo. A coleta da ferramenta é mediada por código MATLAB, utilizado para coordenar um sistema de pausa e espera entre terminais conectados de forma paralela a ambos os hardwares utilizados. A posterior combinação de dados foi realizada em Python através de reamostragem e interpolação linear, permitindo que os dados unimodais fossem unidos apesar de terem frequências de coleta distintas.As piscadas são reconhecidas por ambos os aparelhos de coleta e foram utilizadas para calcular a capacidade de sincronização entre os sinais. Durante a coleta, piscadas voluntárias ocorreram a cada 4 segundos. Um total de doze datasets multimodais de duração de 120 segundosforam analisados. Uma taxa de verdadeiros positivos para a identificação de piscadas de 93% e 99% foram encontradas para EEG e ET, respectivamente. A correlação cruzada apresentou atraso médio de 1,54 segundos do sinal de ET relação ao sinal de EEG. Avanços para aprimorar a capacidade de sincronização entre os dados foram sugeridos.
Resumo Ingles
Electroencephalogram (EEG) and Eye Tracking (ET) are non-invasive ways to observe the behavior of the nervous system. The combination of these data types tends to have a higher classification capability than unimodal datasets when used in machine learning algorithms. Besides a higher accuracy, these datasets allow a better understanding of the physiological functioning by having more than one type of information. This work presents an alternative to clinical and high-cost equipment to build multimodal datasets. By using commercial equipment, this tool can generate a multimodal dataset of EEG and ET collected over time. The collection is mediated by MATLAB code, used to coordinate a pause-and-wait system between terminals connected in parallel to both hardware used. Subsequent data combination was performed in Python through resampling and linear interpolation, allowing unimodal data to be merged despite having distinct collection frequencies. The blink signal is recognized by both devices and was used to calculate the synchronization capacity between the signals. During collection, voluntary blinks occurred every 4 seconds. A total of twelve collections of 120 second duration were analyzed. A true positive blink identification rate of 93% and 99% were found for EEG and ET, respectively. The cross-correlation showed an average delay of 1.54 seconds of the ET signal relative to the EEG signal. Advances to improve the synchronization capability between the data were suggested.
Unidade academica
Faculdade de Ciências e Tecnologias em Engenharia (FCTE) – Campus UnB Gama
