ControledecadeiraderodasmotorizadaatravésdeEEG … · EEG e acelerômetro / Wilson Campi Junior;...

UNIVERSIDADE DE SÃO PAULOESCOLA DE ENGENHARIA DE SÃO CARLOS

Wilson Campi Júnior

Controle de cadeira de rodas motorizada através de EEGe acelerômetro

São Carlos

2018

Wilson Campi Júnior

Controle de cadeira de rodas motorizada através de EEGe acelerômetro

Monografia apresentada ao Curso de Enge-nharia Elétrica com Ênfase em Eletrônica,da Escola de Engenharia de São Carlos daUniversidade de São Paulo, como parte dosrequisitos para obtenção do título de Enge-nheiro Eletricista.

Orientador: Prof. Dr. Marco Henrique Terra

São Carlos2018

AUTORIZO A REPRODUÇÃO TOTAL OU PARCIAL DESTE TRABALHO,POR QUALQUER MEIO CONVENCIONAL OU ELETRÔNICO, PARA FINSDE ESTUDO E PESQUISA, DESDE QUE CITADA A FONTE.

Ficha catalográfica elaborada pela Biblioteca Prof. Dr. Sérgio Rodrigues Fontes daEESC/USP com os dados inseridos pelo(a) autor(a).

Campi Junior, Wilson C196c Controle de cadeira de rodas motorizada através de

EEG e acelerômetro / Wilson Campi Junior; orientadorMarco Henrique Terra. São Carlos, 2018.

Monografia (Graduação em Engenharia Elétrica com ênfase em Eletrônica) -- Escola de Engenharia de SãoCarlos da Universidade de São Paulo, 2018.

1. Cadeira de rodas. 2. Mobilidade independente. 3. EEG. 4. ERD/ERS. 5. Filtro CSP. 6. Classificador LDA.7. Acelerômetro. I. Título.

Eduardo Graziosi Silva - CRB - 8/8907

Este trabalho é dedicado aos meus pais,Wilson e Sandra, por todo apoio concedido

desde o início da minha jornada.

AGRADECIMENTOS

Gostaria de agradecer a todos que participaram direta e indiretamente da minhatrajetória.

Em especial agradeço a meus pais, Sandra e Wilson Campi, que além de sempreme incentivarem, me deram condições financeiras para meus estudos.

Ao meu orientador, Marco Henrique Terra, pela dedicação e orientação essenciaispara a elaboração deste projeto.

À Lucas Reia por ter iniciado o projeto da cadeira de rodas, com a intenção detorná-la autônoma, e por ter compartilhado seus métodos e resultados alcançados.

Aos colegas do LASI (Laboratório de Sistemas Inteligentes) pelas dicas e compa-nheirismo durante o desenvolvimento deste trabalho.

À minha namorada, Tatiane Olivatto, pelas sugestões e revisões textuais.

Ao técnico Rui Berto, pela grande ajuda nas adaptações mecânicas da cadeira derodas utilizada.

À solícita secretária, Jussara Zoia, pelas valiosas informações compartilhadas.

“Para as pessoas sem deficiência a tecnologia torna as coisas mais fáceis.Para as pessoas com deficiência, a tecnologia torna as coisas possíveis.”

Mary Pat Radabaugh

RESUMO

Campi Júnior, W. Controle de cadeira de rodas motorizada através de EEG eacelerômetro. 2018. 86p. Monografia (Trabalho de Conclusão de Curso) - Escola deEngenharia de São Carlos, Universidade de São Paulo, São Carlos, 2018.

Nos últimos anos, tem-se observado uma maior conscientização em relação as pessoascom deficiência, levando ao aumento da demanda por equipamentos que proporcionemsimultaneamente assistência e bem-estar aos usuários. Diante desse cenário, este trabalhopropõe apresentar alternativas que proporcionem uma mobilidade independente paracadeirantes com os movimentos dos membros superiores também comprometidos. Sendoassim, foi realizado um estudo de viabilidade de dois métodos de controle independente: oprimeiro utilizando apenas um sistema BCI (Interface Cérebro-Computador) assíncrono enão invasivo de 8 canais, e o segundo utilizando o mesmo sistema em conjunto com umacelerômetro. Os sinais cerebrais utilizados foram baseados em ERD/ERS (Dessincroniza-ção/Sincronização Relacionadas a Eventos) que ocorrem durante a intenção motora. Paraa captação de sinal EEG (eletroencefalograma) foram utilizados hardware da plataformaOpenBCI e para o processamento, ferramentas do software OpenVIBE, que podem serresumidas em filtros passa-banda, filtro espacial CSP (Common Spatial Patterns), cálculodo log-BP (Logarithmic Band Power) e classificador LDA (Análise Discriminante Linear).O primeiro método mostrou-se inviável, apresentando uma grande taxa de erros, devido àdificuldade de separar diversas classes EEG, sobretudo em sistemas assíncronos. O segundométodo buscou contornar esta dificuldade fazendo o uso de um acelerômetro, desta formaos movimentos de cabeça do usuário (inclinações) forneceram um controle semelhante aojoystick, proporcionando uma dirigibilidade satisfatória. Nesse método, ficou a cargo dossinais EEG apenas a função de ligar e desligar o sistema, exigindo a separação de umaúnica classe. A grande quantidade de ruído lida com o sinal ainda é a fonte de algumasfalhas. Contudo, a maior parte delas pode ser contornada evitando movimentos bruscoscom a cabeça durante a condução da cadeira, proporcionando, assim, resultados plausíveis.

Palavras-chave: Cadeira de rodas. Mobilidade independente. EEG. ERD/ERS. OpenBCI.OpenVIBE. CSP. LDA. Acelerômetro.

ABSTRACT

Campi Júnior, W. Motorized wheelchair control through EEG andaccelerometer. 2018. 86p. Monografia (Trabalho de Conclusão de Curso) - Escola deEngenharia de São Carlos, Universidade de São Paulo, São Carlos, 2018.

In recent years, a greater awareness regarding the people with disabilities has been observed,increasing the demand for equipments that provides assistance and well-being to users.Given this scenario, this paper presents alternatives that afford an independent mobilityfor wheelchair users with movements of the upper limbs also compromised. Therefore, afeasibility study of two independent control methods was performed: the first one usingonly an asynchronous BCI (Brain-Computer Interface) system, with 8-channel and noninvasive, and the second one using the same system combined with a accelerometer. Thebrain signals used were ERD/ERS (Event-related Desynchronization/Synchronization)based that occur during motor imagery. In order to capture EEG signals, hardware fromOpenBCI platform was used and for signal processing OpenVIBE software tools wereapplied, which can be summarized in bandpass filters, CSP (Common Spatial Patterns)filter, log-BP (Logarithmic Band Power) calculation and LDA (Linear DiscriminantAnalysis) classifier. The first method proved to be not viable, presenting a high error ratedue to the difficulty of several EEG classes separation, especially in asynchronous systems.The second method sought to overcome this difficulty by using a accelerometer, thus theuser’s head movements (tilts) provided a control experience similar to the joystick, grantinga satisfactory navigation. In this method, only the on and off system functions were takedover by EEG signals, requiring the separation of a single class. The large amount of noisehandled by the signal is still the source of some glitches. However, most of them can bebypassed by avoiding sudden head movements while driving the whellchair, presentingplausible results.

Keywords: Wheelchair. Independent mobility. EEG. ERD/ERS. OpenBCI. OpenVIBE.CSP. LDA. Accelerometer.

LISTA DE FIGURAS

Figura 1 – Córtex motor em corte . . . . . . . . . . . . . . . . . . . . . . . . . . . 27Figura 2 – Cadeira de rodas Freedom SX utilizada para o projeto . . . . . . . . . 42Figura 3 – Cadeira de rodas com gabinete e monitor instalados . . . . . . . . . . . 43Figura 4 – Cyton Biosensing Board . . . . . . . . . . . . . . . . . . . . . . . . . . 44Figura 5 – Dispositivo USB para comunicação via Bluetooth . . . . . . . . . . . . 45Figura 6 – Os 35 pontos de eletrodos (em laranja) presentes no Ultracortex Mark IV 46Figura 7 – Capacete Ultracortex Mark IV completo . . . . . . . . . . . . . . . . . 47Figura 8 – Posições nas quais foram instalados os eletrodos (em vermelho) . . . . 48Figura 9 – Cenário 1 - utilizado para gravação dos dados . . . . . . . . . . . . . . 49Figura 10 – Seta para baixo indicando que o usuário deve executar um movimento

previamente escolhido . . . . . . . . . . . . . . . . . . . . . . . . . . . 50Figura 11 – Cenário 2 - utilizado para treinar o filtro espacial . . . . . . . . . . . . 51Figura 12 – Cenário 3 - utilizado para treinar o classificador . . . . . . . . . . . . . 52Figura 13 – Cenário 4 - utilizado para execução do teste online . . . . . . . . . . . 53Figura 14 – Cenário 2 adaptado para duas classes - utilizado para treinar o filtro

espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55Figura 15 – Cenário 3 adaptado para duas classes - utilizado para treinar o classificador 56Figura 16 – Cenário 5 - utilizado para o controlar da cadeira em tempo real . . . . 57Figura 17 – Diagrama mostrando interligação dos componentes principais do projeto 57

LISTA DE TABELAS

Tabela 1 – Especificações gerais do computador utilizado . . . . . . . . . . . . . . 41Tabela 2 – Cross-validation test do Conjunto 1 de movimentos utilizando filtro

passa-banda entre 8 e 30Hz e um CSP de 3 dimensões . . . . . . . . . 59Tabela 3 – Cross-validation test do Conjunto 1 de movimentos utilizando filtro

passa-banda entre 8 e 30Hz, um CSP de 3 dimensões e a médias doscanais como referência . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

Tabela 4 – Cross-validation test do Conjunto 1 de movimentos utilizando filtropassa-banda entre 8 e 30Hz, um CSP de 7 dimensões e a média doscanais como referência . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

Tabela 5 – Cross-validation test do Conjunto 2 de movimentos utilizando filtropassa-banda entre 8 e 30Hz e um CSP de 3 dimensões . . . . . . . . . 61






Tabela 11 – Cross-validation test do Conjunto 3 de movimentos utilizando filtropassa banda entre 10 e 12Hz e um CSP de 3 dimensões . . . . . . . . . 66




LISTA DE ABREVIATURAS E SIGLAS

AVE Acidente Vascular Encefálico

BCI Brain Computer Interface

CRI Cadeiras de Rodas Inteligentes

CSP Common Spatial Patterns

CVA Canonical Variate Analysis

ECoG Eletrocorticografia

EEG Eletroencefalograma

ELA Esclerose Lateral Amiotrófica

EMG Eletromiografia

EOG Eletrooculograma

ERD Event-related Desynchronization

ERS Event-related Synchronization

fMRI Functional Magnetic Ressonance Imaging

LDA Linear Discriminant Analysis

log-BP Logarithmic Band Power

MEG Magnetoencefalografia

MEMS Micro-Electro-Mechanical Systems

MI Motor Imagery

MND Motor Neuron Disease

NIRS Near-infrared Spectroscopy

PET Positron Emission Tomography

PWM Pulse-Width Modulation

ROS Robot Operating System

SCI Spinal Cord Injuries

SNC Sistema Nervoso Central

SNP Sistema Nervoso Periférico

SSD Solid-State Drive

SSVEP Steady State Visually Evoked Potential

SVM Support Vector Machine

SUMÁRIO

1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231.1 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2 EMBASAMENTO TEÓRICO . . . . . . . . . . . . . . . . . . . . . . 252.1 Cadeiras de rodas inteligentes . . . . . . . . . . . . . . . . . . . . . . 252.2 Sistema nervoso do corpo humano . . . . . . . . . . . . . . . . . . . . 262.3 Interface Cérebro-Computador . . . . . . . . . . . . . . . . . . . . . . 262.3.1 Sistema de aquisição do sinal . . . . . . . . . . . . . . . . . . . . . . . . . 282.3.2 Eletroencefalograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 292.3.2.1 P300 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 292.3.2.2 SSVEP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302.3.2.3 ERD/ERS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302.3.3 Desafios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312.3.4 Captação ERD/ERS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322.3.5 Interpretação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332.3.6 Análise do filtro CSP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342.3.7 Algoritmo de classificação . . . . . . . . . . . . . . . . . . . . . . . . . . 352.3.8 Análise do classificador LDA . . . . . . . . . . . . . . . . . . . . . . . . . 372.3.9 Saída . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 372.4 Acelerômetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3 MATERIAIS E MÉTODOS . . . . . . . . . . . . . . . . . . . . . . . 413.1 Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 413.2 Cadeira de rodas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 413.3 Controlador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 423.4 Leitura de sinais EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . 443.5 Softwares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 453.6 Setup do Capacete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 453.7 Cenários OpenVIBE . . . . . . . . . . . . . . . . . . . . . . . . . . . . 463.7.1 Controle apenas com EEG . . . . . . . . . . . . . . . . . . . . . . . . . . 463.7.2 Controle com EEG e acelerômetro . . . . . . . . . . . . . . . . . . . . . . 523.8 Interligação dos componentes do projeto . . . . . . . . . . . . . . . . 54

4 RESULTADOS E DISCUSSÕES . . . . . . . . . . . . . . . . . . . . 594.1 EEG para controlar a cadeira . . . . . . . . . . . . . . . . . . . . . . . 594.1.1 Conjunto 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4.1.2 Conjunto 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 594.1.3 Discussão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 614.2 EEG para ligar e desligar o sistema . . . . . . . . . . . . . . . . . . . 624.2.1 Conjunto 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 624.2.2 Conjunto 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 634.2.3 Conjunto 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 644.2.4 Discussão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 644.3 Uso de acelerômetro . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

5 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 695.1 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

APÊNDICES 75

APÊNDICE A – CÓDIGO EM LINGUAGEM LUA MODIFICADOPARA QUE FOSSEM MOSTRADOS NA TELAESTÍMULOS PARA 5 CLASSES DIFERENTES . 77

APÊNDICE B – CÓDIGO EM LINGUAGEM LUA MODIFICADOPARA ACRESCENTAR AS DEMAIS CLASSESUTILIZADAS . . . . . . . . . . . . . . . . . . . . . 81

APÊNDICE C – CÓDIGO DESENVOLVIDO EM PYTHON PARAA COMUNICAÇÃO ENTRE O OPENVIBE E OROS . . . . . . . . . . . . . . . . . . . . . . . . . . 83

23

1 INTRODUÇÃO

Segundo estatísticas da World Health Organization (2018), cerca de 15% da popu-lação tem algum tipo de deficiência, o que representa mais de 1 bilhão de pessoas. Muitasdestas deficiências estão relacionadas à falta de controle dos músculos de forma parcial outotal devido a acidentes ou doenças. Sendo que uma parcela destes possuem incapacidadesseveras como Lesões da Medula Espinhal (SCI) e Doença dos Neurônios Motores (MND),o que causa a completa perda do controle dos membros. Tais pessoas precisam de ajudaconstante para realizar tarefas cotidianas (PERERA et al., 2016).

A mobilidade tem sido apontada em pesquisas como um dos fatores essenciaispara o bem-estar, relacionado com saúde e felicidade. Isso evidencia a importância dodesenvolvimento de tecnologias que proporcionam mobilidade para diferentes tipos dedeficientes em suas tarefas diárias (FERREIRA, 2008).

Segundo várias pesquisas, tanto crianças como adultos tiram proveito de formasindependentes de mobilidade. Elas ajudam em aspectos educacionais e vocacionais, além deser responsável por uma sensação de autoconfiança ao reduzir a necessidade de cuidadores.Se locomover sem assistência contribui no aprendizado durante a infância e na auto-estimadurante a fase adulta. Também é importante citar que os problemas com locomoção estãofortemente ligados com isolamento, ansiedade e depressão, uma vez que essas pessoas têmmenos oportunidades de interações interpessoais. De acordo com um estudo, a depressãoou ansiedade afeta 31% dos indivíduos com dificuldades, predominantemente motoras,enquanto apenas 4% das pessoas sem dificuldades são afetadas (SIMPSON, 2005).

A quantidade de deficientes tem crescido em relação à população total. As principaiscausas de tal fato são o aumento das doenças crônicas e o envelhecimento populacional(WORLD HEALTH ORGANIZATION, 2018). Esse último, é um fenômeno mundial queacontece não só em países desenvolvidos, mas também em países em desenvolvimento(BRAGA, 2010). Existe uma relação comprovada entre idade e incapacidades físicas e/oumentais. Assim, tem aumentado significativamente o número de pessoas com dificuldadede locomoção (FERREIRA, 2008).

Esse aumento tem criado uma demanda por produtos que auxiliam tais pessoas emsuas tarefas diárias. Equipamentos que buscam aumentar o bem-estar social dos deficientestem sido cada vez mais estudados. Muitos dispositivos de assistência foram introduzidospor pesquisadores, aumentando a independência do indivíduo (BRAGA, 2010; PERERAet al., 2016).

Projetos de cooperação em nível mundial tem sido implementados com o objetivode auxiliar a questão da mobilidade e, consequentemente, elevar a qualidade de vida dos

24

usuários (FERREIRA, 2008). A tecnologia atual já permite a produção de alguns disposi-tivos com esse propósito, porém mais segurança e conveniência precisam ser acrescentadosatravés de pesquisas na área (BRAGA, 2010).

As tecnologias assistivas que obtiveram êxito no mercado ainda são em númeroreduzido. A aceitação dessas inovações esbarra em vários aspectos técnicos e psicofisioló-gicos. Os principais são a adequação do controle e a praticidade. No geral, comandar oequipamento não deve ser uma tarefa cansativa e deve ser simples para o usuário aprender(FERREIRA, 2008).

Um dispositivo grande alvo de estudos, são as cadeiras de rodas. Elas são usadasamplamente por pessoas com dificuldade de mobilidade. Desde que os locais sejam correta-mente adaptados, usuários podem se deslocar tão rápido quanto as outras pessoas podemandar. Por isso representam um grande meio de locomoção, tanto dentro quanto fora decasa. Além de permitir que usuários façam a maior parte de suas tarefas do cotidianode forma independente, alguns a utilizam inclusive para praticar esportes (FERREIRA,2008).

Porém, as cadeiras de rodas tradicionais, manuais ou motorizadas, não são adequa-das para o uso independente de todos os pacientes. Apesar das cadeiras controladas porjoystick representarem um grande avanço em relação às manuais, por proporcionar maiscomodidade e acessibilidade para muitos usuários, elas não são propícias para uma parceladesses deficientes. Uma grande parte desse grupo é formado por aqueles com grave danona medula espinhal ou tetraplegia, os quais necessitam de um cuidador para controlar acadeira (FERREIRA, 2008; SIMPSON, 2005). Por possuirem apenas movimentos volun-tários do pescoço para cima, para que estes indivíduos consigam controlar uma cadeirade rodas é preciso desenvolver um sistema diferente do usual, ou seja, que independa dosbraços para movimentar um joystick (FERREIRA, 2008).

1.1 Objetivos

O objetivo deste trabalho é analisar uma solução para tornar independente alocomoção de um grupo de deficientes, aqueles que possuem movimentos completos apenasdo pescoço para cima. O estudo apresenta dois métodos de controle de uma cadeira de rodasmotorizada para esses indivíduos que não são aptos para operá-la através dos tradicionaiscomandos por joystick. O primeiro consiste em um sistema de detecção e filtragem deondas cerebrais através de EEG e sua aplicação como sinais de entrada para comandaruma cadeira de rodas elétrica comercial. O segundo método compreende a aplicação deum sistema que combina EEG e acelerômetros para controlar o mesmo equipamento. Apesquisa foi desenvolvida com o auxílio de uma plataforma cérebro-computador (BCI) decódigo aberto chamada OpenBCI de forma assíncrona e não invasiva.

25

2 EMBASAMENTO TEÓRICO

2.1 Cadeiras de rodas inteligentes

As cadeiras de rodas inteligentes (CRI) surgiram principalmente em resposta ànecessidade de locomoção de indivíduos incapazes ou com dificuldade de operar cadeirasde rodas elétricas clássicas por si mesmos (SIMPSON, 2005). Braga (2010) definiu umacadeira de rodas inteligente como sendo:

um dispositivo robótico desenvolvido a partir de uma cadeira derodas motorizada comercial, sistemas sensoriais, dispositivos deprocessamento e dispositivos de actuação (...) utilizada essenci-almente por indivíduos que apresentam deficiências físicas e/ouidosos com problemas de mobilidade.

Assim, as CRIs têm como principal vantagem, proporcionar comodidade, indepen-dência e segurança para esses indivíduos necessitados.

Grande parte da tecnologia aplicada às CRIs foram originalmente desenvolvidaspara aplicação em mobilidade de robôs e, através de uma interface com o utilizador, épossível capturar, interpretar e realizar uma série de comandos que permite a locomoçãodo usuário (SIMPSON, 2005). O dispositivo de entrada pode variar de acordo com asnecessidades do usuário. Voz, joystick, expressões faciais, movimentos da cabeça, gestose teclados são exemplos de dispositivos capazes de identificar o movimento desejado(BRAGA, 2010). Além disso, Ferreira (2008) identifica outros artifícios, tais como, umatela na qual o operador faz a seleção do movimento desejado ao pressionar uma teclapiscando ou através de sopro e sucção. Porém, para todos esses artifícios, os comandoscostumam ser iguais: mover para a frente, para trás, virar à esquerda ou à direita.

Outra grande vertente de pesquisas baseia-se na utilização de eletrodos para acaptação da intenção dos comandos de usuários através de um sistema de plataformacérebro-computador (BCI) (JUKIEWICZ; CYSEWSKA-SOBUSIAK, 2016). Com essaplataforma, podem-se criar próteses e equipamentos (como uma cadeira de rodas) parapessoas com problemas motores devido a traumas (amputação de membros ou paralisiadevido a rompimento de nervos) ou devido a doenças degenerativas como a escleroselateral amiotrófica (ELA), lesão medular, acidente vascular encefálico (AVE), desde que oindivíduo ainda possua total consciência de seus atos. (MACHADO, 2012; MACHADO etal., 2008).

Após capturar e interpretar o comando dado pelo utilizador, a CRI é capaz deproporcionar assistência de navegação devido à capacidade de propulsão automática

26

ou semiautomática, utilização de sensores de desvio de obstáculos e, principalmente,característica de comportamentos cooperativo e colaborativo (BRAGA, 2010).

2.2 Sistema nervoso do corpo humano

Antes de falar da plataforma cérebro-computador é importante uma breve introdu-ção de como os sinais elétricos se comportam no corpo humano.

O sistema nervoso humano é constituído pelo sistema nervoso central (SNC) e pelosistema nervoso periférico (SNP). A função do SNP é conectar o SNC a todas as partesdo corpo através de nervos e gânglios nervosos. O SNC, por sua vez, é dividido em cérebroe medula espinhal. Essa última é a responsável pelo transporte da informação motorado cérebro para o corpo e também pelo caminho inverso, ou seja, também transportainformações de sentidos do SNP para o encéfalo (estrutura formada pelo cérebro) atravésde neurônios sensitivos (FERREIRA, 2008).

Assim, o encéfalo é responsável pelo processamento tanto das entradas (sentidos)quanto das saídas (informações motoras), o SNP funciona como sensores e os neurôniosmotores como acionadores (MACHADO, 2012). Uma paralisação pode acontecer se amedula espinhal ou o cérebro sofrer algum tipo de dano. Se uma lesão ocorrer na partesuperior da medula o indivíduo corre o risco de perder os movimentos de forma totalou parcial do pescoço para baixo. Essa condição é chamada de tetraplegia, que significa“paralisia dos quatro membros” (FERREIRA, 2008).

O controle dos movimentos é feito pelo córtex motor. É uma área limitada docórtex localizada no lobo frontal. Sua localização pode ser melhor verificada através daFigura 1. A ilustração mostra a assimetria do córtex motor, onde algumas regiões grandescontrolam partes pequenas do corpo. Este fato está relacionado à grande sensibilidade ouhabilidade de algumas áreas, com os dedos das mãos. Da mesma forma, regiões pequenaspodem comandar grandes porções do corpo, como braços e pernas, que possuem menossensibilidade. Outro fato interessante é que algumas regiões de controle estão distantes dosulco central, como a que está relacionada ao movimento das mãos. Nesse caso é possíveluma distinção espacial dos movimentos com melhor exatidão. O mesmo não ocorre quandoo movimento está relacionado com regiões próximas ao sulco central, como o movimentodas pernas (MACHADO, 2012).

2.3 Interface Cérebro-Computador

Em linhas gerais, um sistema baseado em uma Interface Cérebro-Computador(BCI) é uma plataforma que permite um canal de comunicação direta entre um cérebro eum computador (TIDARE; BäCKSTRöM, 2016). Machado et al. (2008) define a interfacecérebro-computador como sendo:

27

Figura 1: Córtex motor em corte

Fonte: HumanPhysiology.Academy (2015)

uma técnica que utiliza sinais elétricos que podem ser detectadosdo escalpo, da superfície cortical, ou de áreas subcorticais cerebrais.Estes sinais são utilizados para ativar dispositivos externos taiscomo computadores, interruptores ou próteses. A BCI modificaestes sinais provenientes da atividade cerebral (intenções) em ação,o que permite ao sujeito comunicar-se como o mundo exterior.

O conceito BCI foi introduzido por Vidal no ano de 1973. Porém, somente nosanos 90 que despontou como campo de pesquisa graças ao surgimento de sistemas comcapacidade de processamento em tempo real. A partir de então, a pesquisa dessa plataformatem apresentado grande avanço (ROUILLARD et al., 2015). Segundo Machado et al. (2008),a 20 anos atrás, era improvável alguém imaginar que conexões efetivas entre cérebro eequipamentos surgiriam com tanta rapidez.

A maioria das especulações na área científica englobando BCI faz analogia à “leiturada mente”, considerando que é apenas preciso ler a atividade cerebral para determinar avontade do indivíduo. Porém, é importante lembrar que os sinais eletrofisiológicos geradospela atividade do SNC necessitam ser traduzidos em mensagens e comandos. Além disso,o usuário precisa desenvolver uma nova habilidade que consiste no controle apropriadode sinais eletrofísicos específicos para uma operação BCI bem-sucedida (WOLPAW et al.,2002).

De acordo com Tidare e Bäckström (2016), semelhante a outros sistemas de

28

comunicação e controle, um sistema completo BCI consiste em 3 partes: aquisição desinais, interpretação dos dados e saída dos dados. Eletrodos conectados ao couro cabeludoou diretamente na cabeça captam os sinais do cérebro, os quais são processados com ointuito de medir algumas propriedades, como amplitudes de potenciais evocado, taxas dedisparo de neurônios corticais ou ritmos do córtex sensório-motor, que representa intençõesdo paciente. Essas características são transformadas em instruções para controlar umequipamento externo (por exemplo, um processador de texto, uma cadeira de rodas ouuma neuroprótese). Para uma comunicação eficiente é preciso alcançar uma boa relaçãoentre as propriedades do sinal utilizadas pelo BCI e a intenção do usuário (WOLPAW etal., 2002).

2.3.1 Sistema de aquisição do sinal

O sistema de comunicação BCI possibilita enviar comandos para fora do corposem utilizar os nervos e músculos (caminhos convencionais). À primeira vista, esse sistemarealiza o sonho de controlar equipamentos virtuais e físicos através do pensamento. Noentanto, a leitura mental não é feita de forma direta. Até os dias atuais, poucas tarefasmentais geram atividade cerebral possíveis de ser medidas e detectadas. Ressonânciamagnética funcional (fMRI), espectroscopia no infravermelho próximo (NIRS), magneto-encefalografia (MEG), eletrocorticograma (ECoG), tomografia por emissão de pósitrons(PET) e eletroencefalograma (EEG) são exemplos desses sinais (DURKA et al., 2012).

A aquisição de sinais elétricos através de um sistema BCI pode dar-se de formainvasiva ou não invasiva. No método invasivo, eletrodos são implantados diretamente nocórtex cerebral, o que pode proporcionar uma comunicação e controle mais rápidos eprecisos (DURKA et al., 2012; WOLPAW et al., 2002). Por outro lado, os métodos nãoinvasivos são tecnicamente mais simples, geralmente são mais portáteis, demandam ummenor investimento por não necessitar de procedimento cirúrgico e são adaptáveis a umamaior variabilidade de indivíduos (GRAIMANN; PFURTSCHELLER, 2010).

Dentre os métodos não invasivos os sinais de EEG são os mais utilizados. Emboraexistam algumas aplicações específicas que utilizam a EEG de forma invasiva, a metodologiapara registrar a atividade elétrica do cérebro geralmente é realizada por meio de eletrodoscolocados no couro cabeludo (MACHADO, 2012).

A aquisição de sinais de EEG representa um canal promissor de comunicação econtrole não muscular e, além de todas as vantagens sobre metodologias não invasivas acimacitadas, eles são adaptáveis à maioria dos ambientes (GRAIMANN; PFURTSCHELLER,2010). Contudo, devido à complexidade do cérebro humano, a metodologia EEG apresentalimitações quanto à resolução e confiabilidade das informações detectadas. Especialistasacreditam que a intenção do indivíduo pode ser afetada pela grande atividade elétrica deelementos neuronais, pela variabilidade da função cerebral e pela complexidade elétrica e

29

geometria espacial do cérebro e da cabeça (WOLPAW et al., 2002).

2.3.2 Eletroencefalograma

Como dito, apesar do fato de que qualquer sinal de atividade neural pode ser usadoem sistemas BCI, em geral são usados sinais de eletroencefalograma (EEG). Isso se deve àssuas vantagens em relação a outros métodos de aquisição, como aqueles feitos por imagensque requerem equipamentos complexos e de custo elevado (MACHADO, 2012).

Quando um grande número de neurônios é ativado no cérebro, o EEG é capazde monitorar e registrar o campo elétrico gerado através do escalpo. Dessa forma, osprocessamentos cognitivos, como os movimentos pretendidos, podem ser identificados(TIDARE; BäCKSTRöM, 2016). As frequências medidas através de sinais EEG enquantoocorre a excitação (estímulo nervoso) não costumam ser maiores que 100Hz (MACHADO,2012).

Segundo Tidare e Bäckström (2016), vários dispositivos externos tem sido contro-lados através de EEG por pesquisadores. Como exemplo podem ser citados cursores decomputador, teclado virtual ou mesmo robôs móveis. Os sinais EEG mais utilizados paraBCI são o Componente de Potenciais Relacionados ao Evento (P300), Potenciais EvocadosVisuais de Estado Estacionário (SSVEP) e Dessincronização/Sincronização Relacionadasa Eventos (ERD/ERS).

2.3.2.1 P300

Experiências denominadas oddball paradigm (“paradigma estranho” em traduçãoliteral) verificou a presença do P300 (ou P3b) como um componente do potencial cere-bral relacionado ao evento (ERP) (TIDARE; BäCKSTRöM, 2016). Farwell e Donchinintroduziram o primeiro sistema baseado em BCI P300 em 1988, cujo foco foi caracteresortográficos (AMIRI; FAZEL-REZAI; ASADPOUR, 2013). Nesse tipo de abordagem, asletras do alfabeto costumam ser exibidas nas células de uma matriz 6 por 6 e o usuáriose concentra na letra desejada. As linhas e colunas da matriz irão piscar aleatoriamente(totalizando 12 possibilidades). No momento em que a letra escolhida pisca um sinalP300 pode ser medido. Assim, quando a letra piscar pela segunda vez a mesma podeser identificada (linha e coluna da letra são definidas). O processo é repetido diversasvezes para formar palavras e frases. Além do sistema de caracteres, o P300 também jáfoi usado para controlar robôs, substituindo as letras nas células da matriz por comandospara o robô, e também para controlar uma cadeira de rodas inteligente. Na ocasião, asalternativas eram destinos, assim o usuário não precisava se preocupar com a manobra realda CRI, que é feita de forma autônoma por um planejador de caminho, um controladormotor e um sistema de desvio de obstáculos (TIDARE; BäCKSTRöM, 2016).

O alto desempenho e o fato de que nenhum treinamento é necessário são as principais

30

vantagens da utilização do P300. A precisão alcançada pode atingir entre 90% e 100%.Por outro lado, as desvantagens são as baixas taxas de transferência, que varia de 4 a 17bpm, e o fato de que ao invés do usuário observar o robô ou o dispositivo a ser manipuladoprecisa se concentrar em uma matriz de comando (TIDARE; BäCKSTRöM, 2016).

2.3.2.2 SSVEP

A excitação da retina por um estímulo visual entre 3,5 Hz a 75 Hz, gera no cérebrouma atividade elétrica na mesma (ou múltiplos da) frequência do estímulo. Essa atividadeé conhecida como potencial evocado visual de estado estacionário (SSVEP) (TIDARE;BäCKSTRöM, 2016).

Para detectar o SSVEP basta analisar o espectro de frequências do EEG. Se houverum pico na frequência de um dos estímulos disponíveis para o usuário, significa que omesmo se concentra nesse estímulo em específico. Sendo assim, é possível detectar suaintenção (AMIRI; FAZEL-REZAI; ASADPOUR, 2013).

De acordo com Tidare e Bäckström (2016), essa técnica foi utilizada para controlarum simulador de automóvel. Ao lado da imagem do carro, no monitor, foram colocadosdois blocos de estímulos, assim, para controlar o carro bastava se concentrar no estímulodesejado. Uma abordagem muito parecida também foi utilizada para controlar um robôreal.

O SSVEP é inerente ao cérebro, o que significa que treinamentos não são necessáriospara operar um BCI desse tipo. Além disso, esse sistema pode atingir cerca de 90% deprecisão com uma alta taxa de transferência de informações. No entanto, há algumasdesvantagens sobre BCIs baseados em SSVEP. Uma delas é novamente a dependência davisão. Outra questão é a fadiga provocada por estímulos em frequências abaixo de 30Hz.Vale lembrar que ao se concentrarem nessas luzes oscilantes, indivíduos com epilepsiapodem ser sofrer convulsões. Os maiores problemas são provocados pela faixa de 15 a25Hz. A perturbação pode ser reduzida com o uso de frequências mais altas, porém,essas são de mais difícil detecção (AMIRI; FAZEL-REZAI; ASADPOUR, 2013; TIDARE;BäCKSTRöM, 2016).

2.3.2.3 ERD/ERS

Mudanças locais na atividade elétrica rítmica podem ser medidas e classificadasatravés de ERD/ERS (Dessincronização/Sincronização Relacionadas a Eventos). O nomevem do fato de que o sinal medido se relaciona com um evento no cérebro, na maioria dasvezes uma tarefa mental. O aumento da energia em uma faixa de frequência específicacorresponde ao ERS, enquanto que o ERD se refere à diminuição correspondente (BACKS-TROM, 2016). ERD/ERS podem ser medidas no EEG no momento do planejamento eexecução do movimento (DURKA et al., 2012).

31

Esse método já foi usado para controlar um robô que se move de uma sala paraoutra, para dirigir um carro em um ambiente virtual e também para controlar uma cadeirade rodas. Como ERD/ERS depende da frequência, o sinal é medido de acordo com faixasde frequência específicas. As principais bandas monitoradas são Delta (0-4 Hz), Theta (4-8Hz), Alpha (8-12 Hz), Beta (12-40 Hz, ou 13-26 Hz para alguns autores) e Gamma (40-100Hz). Vale lembrar que essas bandas podem mudar ligeiramente de acordo com autores eexperimentos (TIDARE; BäCKSTRöM, 2016).

Tipicamente, uma forte dessincronização (ERD) dos ritmos sensório-motores (8Hza 26Hz) ocorre durante o planejamento do movimento, sendo que é mais acentuada entre8 e 12 Hz e do lado contralateral (contrário) ao movimento. E quando o movimento éfinalizado, a energia proveniente da sincronização (ERS) aumenta, sobretudo na faixa dasondas Beta (MACHADO, 2012). O mais interessante é que ERD e ERS não requeremmovimento real, esses sinais também ocorrem com a imaginação do movimento (WOLPAWet al., 2002).

Tidare e Bäckström (2016) citam que um grande problema é que a média doERD/ERS pode cancelar os padrões de atividade cerebral específicos da tarefa analisadaem vários indivíduos. Por essa razão é difícil saber quais padrões devem ser lidos para cadausuário. Todavia, a classificação será bem-sucedida se a tarefa analisada se correlacionarcom padrões separáveis.

Identificar esses sinais é muito mais difícil do que os provenientes dos outros doisparadigmas de EEG citados, além disso, exige treinamento do usuário. Em contrapartida,até o momento, é o único método que não utiliza estímulos visuais (DURKA et al., 2012).Dessa forma, como a visão já é utilizada pelo usuário de cadeira de rodas para concentrar-seno caminho que está sendo percorrido, o método ERD/ERS mostrou-se mais adequado efoi escolhido como fonte de pesquisa do presente trabalho.

2.3.3 Desafios

Um experimento relatado por Tidare e Bäckström (2016) constatou que, quandosete tarefas mentais distintas foram observadas em dez indivíduos diferentes, cada umobteve o melhor resultado com um grupo diferente de tarefas. Além do mais, outroexperimento revelou que padrões EEG também variam muito para o mesmo indivíduo.Durante os testes algumas tarefas foram detectadas com boa precisão em uma sessão, mascom precisão muito baixa em outra.

Outro desafio encontrado durante o uso de EEG é a fadiga sentida pelo usuário.Isso ocorre porque o sujeito precisa ficar o mais imóvel possível para minimizar artefatose ao mesmo tempo focar em uma tarefa específica. Cansaço e perda de concentraçãosignificam redução da qualidade dos dados coletados (TIDARE; BäCKSTRöM, 2016).

32

Também é conhecido, através de muitas experiências, que nem todos conseguemcontrolar um BCI. Apesar da incerteza do motivo, esses indivíduos não apresentamnenhum padrão de atividade cerebral relacionada à uma tarefa específica. Isso ocorre emaproximadamente 20% das pessoas e geralmente não é relacionado à saúde ou capacidadedo sujeito. Utilizar um BCI com base em outro tipo de sinal algumas vezes resolve oproblema (TIDARE; BäCKSTRöM, 2016).

2.3.4 Captação ERD/ERS

É conhecido que as atividades cerebrais dos movimentos são lateralizadas. Cadamovimento de um membro produz um ERD no lado contralateral ao movimento duranteseu planejamento e execução. Aproximadamente de 1 a 2s após o movimento, ocorre umERS no lado ipsilateral. Devido à complexidade do cérebro, esses efeitos podem ocorrer deforma mais acentuada em apenas um dos hemisférios, ocorrer em frequências distintas, ouem localizações diferentes do córtex. Ou seja, os sinais se comportam de forma desigualde acordo com o indivíduo e por isso o ideal é a realização de exames para averiguar asáreas mais apropriadas para captação do sinal para cada usuário de um sistema BCI.(MACHADO, 2012).

De acordo com Tidare e Bäckström (2016), nos métodos P300 e SSVEP o usuárioapenas precisa se concentrar em um estímulo visual, porém para controlar um BCI combase em ERD/ERS é necessário realizar uma tarefa mental. Umas das tarefas maiscomuns são estímulos motores. No entanto, algumas outras tarefas testadas são: pensar empalavras relacionadas pela primeira letra, problemas matemáticos ou imaginar um cuborotacionando.

Padrões específicos de atividade cerebral são gerados por toda tarefa executada.Esses padrões devem ser distintos uns dos outros para que os dados do EEG possamser separados. Por exemplo, os padrões gerados durante o movimento do braço esquerdocostumam ser diferentes dos do braço direito. A realização da tarefa de modo corretotambém é importante, e por isso a necessidade de treinamento (TIDARE; BäCKSTRöM,2016).

Kauhanen et al. (2007) explicam que apesar do paciente paralisado não conseguirmovimentar seus membros afetados, o córtex sensório-motor ainda é ativado com atentativa do movimento, o que permite a identificação da tarefa. Essa atividade é muitosimilar a encontrada quando indivíduos sem deficiência efetuam movimentos físicos, porémcostumam ser menos intensas.

Além da tentativa de movimento, é possível utilizar apenas a imaginação do mesmo.Neuper et al. (2005) mostram que a imagem motora, definida como uma simulação mentalde um movimento, pode ser produzida imaginando um movimento do próprio corpo (daperspectiva do usuário) ou visualizando o movimento como um vídeo na mente (em terceira

33

pessoa). Porém, melhores resultados são alcançados com o primeiro método, o que mostraque o desempenho do BCI depende do modo com que a tarefa é imaginada. No geral,a intensidade do sinal medido com movimentos imaginados não é superior a 30% daintensidade medida em movimentos reais.

2.3.5 Interpretação

Somente padrões que correspondem a uma tarefa podem ser identificados. Dessaforma, o usuário precisa entender como criar esses padrões mentais. A habilidade demodular o sinal de acordo com suas vontades depende do treinamento do usuário. Pararesultados satisfatórios é preciso levar em conta as particularidades de cada indivíduo.Algumas vezes, outras regiões do córtex, diferentes da central, possui atividades motoras.Além disso, os ritmos sensório-motor podem apresentar bandas de frequências distintasentre indivíduos, ou ainda variar para o mesmo usuário de acordo com o dia. Ou seja, emum primeiro momento é preciso compreender como o sinal de EEG se comporta no usuáriopara que posteriormente o algoritmo de tradução consiga identificar o sinal desejado(MACHADO, 2012).

Artefatos e outras fontes de erro precisam ser removidos na fase de pré-processamento.Duas fontes principais de artefatos são os sinais de eletrooculograma (EOG) e eletromio-grafia (EMG). Piscar e movimentar os olhos geram atividade de EOG no cérebro, cujaamplitude máxima está em uma frequência inferior a 4 Hz. Por outro lado, a atividademuscular gera sinais de EMG que possui amplitude máxima em frequências acima de 30 Hz.Portanto, a utilização de um filtro passa-banda é uma boa maneira de reduzir a influênciade sinais EOG e EMG em sistemas BCIs baseados em EEG (TIDARE; BäCKSTRöM,2016).

Sabe-se que as tarefas cognitivas e a intenção motora provocam mudanças nasbandas Alfa e Beta. Assim, ao se trabalhar com ERD/ERS, filtros passa-banda de 8-30 Hzsão usados por muitos pesquisadores, uma vez que não comprometem o sinal de interesse,mas remove a maior parte de artefatos de EOG e EMG. Outro ruído de grande pertinênciaé o causado pela rede elétrica (50 ou 60 Hz). Caso o filtro passa-banda utilizado nãoremover essas frequências, um filtro notch deve ser empregado para tal função (TIDARE;BäCKSTRöM, 2016).

Como as mensagens ou comandos do usuário são codificadas pelas característicasdo sinal, a fase seguinte é digitalizar-lo e extrair recursos através de procedimentos comofiltragem espacial, análises espectrais e medições de amplitude de tensão. Sistemas BCIpodem trabalhar com sinais tanto no domínio do tempo (como taxas de disparo neuronalou amplitudes de potencial evocadas), quanto no domínio de frequência (como amplitudesde ritmo mu ou Beta) (WOLPAW et al., 2002).

Em especial para os sinais produzidos por atividades motoras, filtros espaciais são

34

muito empregados. Por sua alta performance, o Common Spatial Patterns (CSP) é umalgoritmo que tem sido amplamente utilizado para separar diferentes tipos (conhecidoscomo classes) de sinais EEG. Originalmente ele funciona apenas para separar duas classes.A variância de uma classe é maximizada ao mesmo tempo em que a variância da outraclasse é minimizada através de uma matriz de pontuação. Dessa forma, as diferenças entreelas são ressaltadas e um filtro espacial é criado de modo que o sinal tenha alta potênciapara uma classe e baixa potência para a outra. Para a separação de mais de duas classes épossível usar um artifício conhecido como “one versus the rest” (um contra o resto emtradução literal). Ou seja, para separar k classes o problema é decomposto em k problemasbinários. Em cada um deles uma classe é comparada com todas as outras (GE; WANG;YU, 2014; YONG; MENON, 2015).

2.3.6 Análise do filtro CSP

O funcionamento do filtro CSP é descrito, resumidamente, abaixo, de acordo como trabalho de Rabha (2017).

Seja X1 e X2 dois intervalos de sinais pertencentes a duas classes diferentes. Amboscom n pontos amostrados no tempo e c canais de entrada.

A equação de filtragem é representada por:

S = W TE

onde S ∈ R(d,n) é o intervalo de sinal filtrado espacialmente, W ∈ R(d,c) é o filtroespacial e E ∈ R(n,c) é o sinal de entrada, sendo d é a dimensão do filtro.

Para definir W , primeiro define-se seu componente w de modo que a variânciaentre as duas classes seja maximizada:

w = arg maxw

‖wX1‖2

‖wX1‖2

Um meio de encontrar w é pelo cálculo das duas matrizes de covariância:

R1 = X1X1T

n

R2 = X2X2T

n

E em seguida, fazer a decomposição generalizada de autovalores. Encontrando amatriz de autovetores P = [p1, ..., pn] e a matriz diagonal D de autovalores, tal que

P−1R1P = D

P−1R2P = In

35

onde In é uma matriz identidade.

Assim, as colunas de P representam os filtros espaciais em ordem decrescente devariância para uma classe e ordem crescente para outra. Então, w será a coluna mais àesquerda de P . Para construir a matriz do filtro espacial W de dimensão d = 2m, bastausar as primeiras m e as últimas m colunas de P . Ou seja, após o sinal ser processadopelo filtro CSP, tem-se d canais.

Como já mencionado, para múltiplas classes, é possível utilizar o artifício “oneversus the rest”.

2.3.7 Algoritmo de classificação

Após extraídas as características desejadas do sinal é necessário um algoritmo declassificação. Métodos lineares (como análises estatísticas clássicas) e não-lineares (comoredes neurais) podem ser usados nesses algoritmos (WOLPAW et al., 2002). Escolherum método adequado para a atividade cerebral de interesse é essencial, mas antes deimplementar um bom classificador é preciso levar em conta alguns desafios que precisamser enfrentados.

O primeiro deles é que o sinal EEG não é estacionário. Como já discutido, podevariar ao longo do tempo pela fadiga, falta de concentração ou leves mudanças na execuçãoda tarefa. Essa propriedade do sinal EEG é a mais desafiadora. Erros decorrentes danão-estacionariedade podem ser minimizados, mas não evitados (TIDARE; BäCKSTRöM,2016).

Outra característica preocupante são as grandes interferências que sinais de EEGsofrem com ruído e artefatos. Enquanto o equipamento de aquisição é o responsável peloruído, os artefatos ocorrem pelo movimento do corpo e outras atividades cuja fonte não éo cérebro. Isso resulta em uma relação sinal-ruído fraca, o que atrapalha a classificação(TIDARE; BäCKSTRöM, 2016).

O último desafio diz respeito ao tamanho dos vetores de características que costu-mam ser muito grandes devido a ampla quantidade de informações calculadas e ao elevadonúmero de canais utilizados para aquisição do EEG (TIDARE; BäCKSTRöM, 2016). Como objetivo de amenizar esse problema, costuma ser selecionado somente as propriedadesmais discriminativas para a classificação do sinal. Além disso, como já discutido, o movi-mento ou imaginação do movimento criam alguns padrões em regiões especificas do córtex.Assim, o espaço de características também pode ser diminuído usando apenas os canaisque melhor identificam o padrão desejado (MACHADO, 2012).

Para contornar o problema da não-estacionariedade do sinal muitos métodosforam testados. Um deles foi uma técnica de regressão de dados chamado análise devariação canônica (CVA) (ou Análise de Discriminação Múltipla), o que permite ao usuário

36

selecionar recursos individuais que melhor isolam as tarefas mentais executadas. Ao utilizar-se melhores recursos discriminativos de acordo com o usuário, a não-estacionariedadediminui e a precisão aumenta (TIDARE; BäCKSTRöM, 2016).

As diferenças de feedback e calibração são os maiores causadores da não-estacionariedadedos dados EEG. Por essa razão, o uso de CSP no momento da seleção de característicasé uma boa estratégia. Essa simples solução seleciona recursos discriminantes para astarefas mentais e reduz o vetor de características. Causando assim, uma redução de erros(TIDARE; BäCKSTRöM, 2016).

Vários tipos de classificadores são encontrados na literatura. O classificador genera-tivo escolhe a classe mais provável através do cálculo de probabilidade de cada uma. Elepode ser usado com qualquer número de classes, além da possibilidade de aproximaçãopor uma função contínua. Porém, em sinais não estacionários o excesso de treinamentocompromete sua qualidade. O classificador discriminante possui boas propriedades degeneralização, pois apenas encontra a classe do vetor de características, porém não funcionabem com dados não lineares. Ao contrário do classificador estático, o classificador dinâmicopode processar informação temporal. Esse último tem melhores resultados em experimentossíncronos, mas o mesmo não ocorre para experimentos assíncronos. É preciso ser citado quea alta complexidade do classificador leva a instabilidades. Por outro lado, a capacidade degeneralização costuma ser ampliada com a regularização (TIDARE; BäCKSTRöM, 2016).

Segundo Tidare e Bäckström (2016), os principais classificadores são o LDA, SVM eo gaussiano. O classificador Análise Discriminante Linear (LDA) tem obtido bons resultadosem alguns BCI, como os baseados em intenção motora e multi-classe. Foram atingidos entre66% e 89% de acerto em um estudo usando três classes de intenção motora (mão direita,mão esquerda e pés). Como LDA é estável, estático, discriminativo, e opera com baixocusto computacional, é bastante atrativo para o controle de robôs. A máquina vetorial desuporte (SVM) é um classificador estável, estático, discriminativo e regularizado. Apesarde ser linear podem ser criadas divisões não lineares através de um truque de kernel. Elenão é sensível ao excesso de treinamento e tem alta capacidade de generalização, alémde baixo custo computacional. Seu alto desempenho tem sido comprovado através deexperimentos. Em um estudo, fui alcançado mais de 90% de acerto pelos três usuáriostestados. Por último, o classificador gaussiano é uma rede neural construída para BCIs.Como trata-se de um classificador probabilístico toda classificação usa a distribuição deprobabilidade de cada classe possível. Em dois experimentos distintos esse classificadoratingiu respectivamente 67%-83% e 84% de precisão. Em um terceiro estudo o classificadorgaussiano foi usado nos sinais de usuários que utilizavam três estados mentais (esquerdo,direito, e de relaxamento). Apesar de uma taxa de acertos positivos moderada (52-63%),ao ser definido um limite de probabilidade alcançou-se uma taxa de falsos positivos muitobaixa (0-5%). Combinado com uma taxa de duas classificações por segundo, essa é uma

37

solução atrativa para um controle confiável de equipamentos.

Em resumo, o sinal de EEG pode ser usado para enviar comandos a um dispositivoexterno de acordo com a intenção do usuário desde que as técnicas de análise no tempoe em frequência e de classificação sejam empregadas de forma satisfatória (MACHADO,2012).

2.3.8 Análise do classificador LDA

Nesta seção, o classificador Análise Discriminante Linear é explicado, brevemente,com base no trabalho de Machado (2012).

O objetivo do algoritmo é projetar o sinal em um hiperplano dentro do espaço decaracterísticas, utilizando a orientação do hiperplano que fornece a melhor diferenciaçãodas classes.

Sendo D a dimensão do vetor de características x, um discriminante linear é umacombinação dos componentes de x ∈ RD:

g(x) = wTx+ w0

onde w ∈ RD é o vetor de pesos e w0 é uma constante.

Após aplicada essa equação é preciso um critério para escolher entre as classes.Para um classificador linear de duas classes C1 e C2 a escolha é feita conforme abaixo:

C1 se g(x) > 0

C2 se g(x) < 0

Para definição do vetor de pesos w é utilizada a equação da direção do hiperplano,dada pela norma de w e calculada pelo critério de Fisher (também chamado de coeficientede Rayleight):

J(w) = wTSdw

wTScw

onde Sd é a atividade discriminativa do sinal e Sc é a atividade comum. Finalmente,o cálculo de w é feito para maximizar a função J(w), ou seja, maximizar a atividadediscriminativa entre as classes.

Assim como no filtro CSP, para se trabalhar com mais de duas classes, basta aplicaruma estratégia multiclasse.

2.3.9 Saída

Muitos dispositivos de saída podem ser controlados depois que os dados sãotraduzidos de forma apropriada. Robôs ou próteses de membros podem ser comandadosatravés do mesmo sinal (MACHADO et al., 2008).

38

O mapeamento direto de atividade cerebral classificada é muito usado para controlarum robô (ou uma cadeira de rodas). Exemplos de comandos são avançar 5000mm ou girar0,2π radiando no sentido horário. Esse método foi testado com um robô real, conferindoao usuário o total controle dos movimentos do robô. Em outro experimento o ambiente foidividido em quadrados discretos e cada comando de intenção motora movia o robô umquadrado (na direção correspondente à intenção do usuário). Entretanto, isso exige umnúmero grande de comandos, tornando o sistema BCI complexo (TIDARE; BäCKSTRöM,2016).

Como alternativa, outro trabalho propõe apenas quatro comandos para controlarum carro real através de um sistema BCI baseado em EEG. Os comandos são push(aumentar a velocidade), pull (diminuir a velocidade), esquerda e direita (mudam ângulode direção). O passo para aumentar ou diminuir a velocidade foi definido em 0,15m/s e avelocidade máxima foi limitada em 10m/s. O passo correspondente a direção foi de 0,6πradianos. Por segurança, os tamanhos dos passos são reduzidos e o ângulo de direção élimitado em velocidades mais altas. Após 1s sem receber entrada no controlador, o ângulode direção diminui em relação à posição zero, mas a velocidade é mantida constante. Oexperimento demonstrou que o erro lateral é mais elevado para velocidades mais altas. Aconclusão foi que carros controlados totalmente pela atuação cerebral nas ruas ainda éuma realidade distante. Porém, se comparado com a utilização de uma velocidade fixa,o controle de velocidade empregado permitiu uma condução mais suave. Além disso, foidemonstrado que comandos de aumentar e diminuir a velocidade são mais eficientes quecomando direto do acelerador ou freio (TIDARE; BäCKSTRöM, 2016).

É importante lembrar que a utilização da atuação cerebral para essas soluções decontrole direto depende muito da classificação BCI, que muitas vezes é lenta e imprecisa,o que pode comprometer o desempenho do sistema (TIDARE; BäCKSTRöM, 2016).

2.4 Acelerômetros

Um acelerômetro é um dispositivo que mede aceleração em relação à queda livre.Existem modelos com único e múltiplos eixos, podendo assim, detectar a magnitudee a direção da aceleração, o que torna possível identificar diversas propriedades, comoorientação, choque de vibração e queda (TAMEEMSULTANA; SARANYA, 2011).

Hoje, a maior parte dos acelerômetros são sensores MEMS (Micro-Electro-MechanicalSystems). O princípio básico de operação do acelerômetro MEMS é o deslocamento deuma pequena massa de prova, suspensa por pequenos feixes, na superfície de silício docircuito integrado. Por isso, esses dispositivos podem ser construídos em um único chippequeno e de baixo custo (LANDGE et al., 2017).

Acelerômetros MEMS proporcionaram o desenvolvimento de várias aplicações

39

importantes, como os airbags dos automóveis e detectores de terremoto (WAHID, 2008).Com o avanço tecnológico da produção industrial, também têm sido usados em diversasaplicações do setor, como detecção de quedas e balanço robótico (WU; SU; WANG, 2010).Além disso, esses dispositivos estão cada vez mais presentes em eletrônicos portáteis econtroladores de videogames, para detectar posições ou movimentos através da aceleração(TAMEEMSULTANA; SARANYA, 2011).

Outra aplicação desses sensores é no controle direto de objetos que se movem nomundo real. Nesse caso, a inclinação detectada é enviada para um controlador que decidea velocidade e para qual direção o veículo deve se mover. Como são comuns acelerômetrosMEMS que detectam a inclinação em 2 ou 3 eixos (em todas as direções), é perfeitamenteviável controlar uma cadeira de rodas através desses dispositivos (SANDEEP; SUPRIYA,2015).

41

3 MATERIAIS E MÉTODOS

3.1 Computador

As especificações do computador utilizado para processar os sinais EEG e doacelerômetro e enviar os comandos para o controlador da cadeira podem ser vistas naTabela 1.

Tabela 1: Especificações gerais do computador utilizadoPlaca mãe TF-IMBM-B75A-A10-G2Processador Intel i7-3770Memória RAM 16 GB (2 X 8 GB)Armazenamento 240 GB SSDFonte M4-ATX (6-30 VDC, 250 Watts)

Fonte: Elaborada pelo autor

Foi utilizado um SSD (Solid-State Drive) no lugar de um disco rígido, pois o últimopoderia ser danificado com o movimento da cadeira.

A alimentação da cadeira é feita por duas baterias de 12V ligadas em série,portanto a fonte precisa suportar 24V de tensão (ligeiramente mais quando as bateriasestão totalmente carregadas). Como a fonte utilizada suporta até 30V, é compatível com oprojeto. Além disso, a mesma é dotada de circuitos de proteção contra variações abruptasde tensão (como as que ocorrem durante a ignição) e descarregamento das baterias. Assim,a fonte funciona perfeitamente, mesmo com as variações causadas pelos motores elétricosda cadeira (ITUNER NETWORKS CORP., 2018).

3.2 Cadeira de rodas

A cadeira de rodas utilizada no projeto foi uma Freedom SX (Figura 2), fabricadaem 2010, com capacidade para suportar até 130kg. A propulsão da cadeira é feita atravésde dois motores (um para cada roda traseira) de corrente contínua com tensão nominalde 24V e 400W de potência. Duas baterias de 12V e 12Ah, em série, fornecem energiapara os motores e freios magnéticos disponíveis. A forma de condução padrão da cadeira éatravés de um joystick localizado na parte dianteira do braço direito da mesma. Para ocontrole de velocidade dos motores, a cadeira dispõe de um controlador PWM em malhaaberta (FREEDOM, 2010).

Para adaptar o computador utilizado na cadeira foi necessário confeccionar umsuporte para o gabinete instalado na parte traseira e outro para o monitor instalado naparte dianteira, de modo que o usuário consiga visualizá-lo (Figura 3). Para que o mesmo

42

Figura 2: Cadeira de rodas Freedom SX utilizada para o projeto

Fonte: Fotografada pelo autor

possa sentar na cadeira ou deixar o equipamento com facilidade, esse suporte dianteiropermite que o monitor gire, deixando livre a passagem. Em uma versão final da cadeira omonitor poderá ser retirado, melhorando também a visibilidade do usuário.

3.3 Controlador

Para enviar os comandos direcionais para cadeira, foi utilizado um controladorpreviamente construído basicamente com um Arduino Nano R3 e conversores digital-analógico.

Originalmente o controle da cadeira é feito por dois canais analógicos, cuja tensãovaria de acordo com a posição do joystick. Dessa forma, as saídas do joystick foramsubstituídas pelas saídas analógicas do novo controlador.

43

Figura 3: Cadeira de rodas com gabinete e monitor instalados

Fonte: Fotografada pelo autor

44

Figura 4: Cyton Biosensing Board

Fonte: OpenBCI (2018a)

3.4 Leitura de sinais EEG

Para a leitura dos sinais cerebrais foram utilizados equipamentos providos pelaOpenBCI, uma empresa que fornece soluções de código aberto para ler sinais elétricosdo corpo, como EEG, EMG e ECG. Além disso, a instituição fornece um espaço onlinepara que seus usuários compartilhem trabalhos e códigos. Para o presente trabalhado foiadquirida a Cyton Biosensing Board (Figura 4), uma placa com 8 canais de entrada parasinais neurais equipada com um microcontrolador PIC de 32 bits (PIC32MX250F128B) ecom uma capacidade de amostragem de 250 Hz. Sua comunicação com um computador éfeita através de um pequeno dispositivo USB (Figura 5) que recebe sinais Bluetooth. Paradispositivos móveis, a comunicação também pode ser feita diretamente via Bluetooth. Alémdisso, o equipamento possui ganho programável (de 1 à 24 vezes), acelerômetro MEMSde 3 eixos com saída digital e entrada para cartão micro SD para gravações de sinais. Aalimentação da placa de 6 V pode ser feita através de 4 pilhas AA com o auxílio de umsuporte fornecido pelo fabricante ou por baterias compatíveis (OPENBCI, 2018a).

Para acomodar os eletrodos no escalpo foi adquirido o Ultracortex "Mark IV"EEGHeadset, que é um capacete de código aberto que pode ser usado com qualquer placa

45

Figura 5: Dispositivo USB para comunicação via Bluetooth

Fonte: OpenBCI (2018a)

OpenBCI e impresso em qualquer impressora 3D. Tem capacidade de amostrar até 16canais provindos de 35 posições possíveis baseadas no sistema 10-20 de colocação deeletrodos que é reconhecido internacionalmente. A Figura 6 mostra em laranja as posiçõespresentes no capacete. O equipamento (Figura 7) acompanha 8 eletrodos secos, 2 clipes deorelha, cabos e unidades de conforto (OPENBCI, 2018b).

3.5 Softwares

Para auxiliar na classificação e extração de características foi utilizado o softwareOpenVIBE que é gratuito, de código aberto e já possui filtros e algoritmos desenvolvidosespecificamente para sistemas BCIs. Através dele, os sinais cerebrais podem ser filtrados,processados, classificados e visualizados em tempo real (INRIA RENNES, 2018).

Além disso, optou-se por utilizar o ROS (Robot Operating System) (OPEN SOURCEROBOTICS FOUNDATION, 2017) para enviar os comandos para o controlador. ComoROS trata-se de um framework flexível para desenvolver softwares para robôs, seu usofacilita futuros aprimoramentos da cadeira, como instalação de sensores. A versão utilizadafoi o ROS Kinetic Kame.

3.6 Setup do Capacete

Como o objetivo do projeto é trabalhar com sinais ERD/ERS, ou seja, provindosde movimentos ou intenções de movimentos motores, as leituras dos sinais devem serfeitas o mais próximo possível da região do córtex motor. Como este se encontra na regiãocentral do cérebro, os eletrodos foram instalados apenas nas posições mais centralizadas docapacete, mais especificamente em C3, FC1, CP1, Cz, FC2, CP2, C4 (posições em vermelhona Figura 8). Dessa forma, não foram usados os 8 canais disponíveis no equipamento, massim 7, pela simetria do capacete.

46

Figura 6: Os 35 pontos de eletrodos (em laranja) presentes no Ultracortex Mark IV

Fonte: OpenBCI (2018b)

3.7 Cenários OpenVIBE

Como os sinais EEG variam de indivíduo para indivíduo é preciso utilizar algoritmosque possam ser treinados com os dados do usuário. Baseados no Capitulo 2, foram escolhidospara a extração de características o algoritmo CSP e para a classificação o algoritmo LDA,ambos presentes no OpenVIBE.

3.7.1 Controle apenas com EEG

Primeiramente, optou-se por estudar a viabilidade de usar apenas imagens motoraspara controlar a cadeira. O modo mais simples de controlá-la é utilizando 4 comandos:frente, trás, direita e esquerda. Assim, é necessário separar uma classe EEG para cada umdos comandos e mais uma que não possui ação (repouso), totalizando 5 classes.

Seguindo esse princípio, o processamento do sinal EEG captado foi dividido emquatro cenários desenvolvidos no software OpenVIBE. Estes foram baseados no exemplo“motor-imagery-CSP” disponibilizado juntamente com o software. Porém, como o exemplo

47

Figura 7: Capacete Ultracortex Mark IV completo

Fonte: OpenBCI (2018b)

fornecido possuía blocos desatualizados e apenas suportava duas classes, diversas adaptaçõesforam feitas buscando a conformidade com o presente projeto.

O primeiro cenário (Figura 9) faz a gravação dos sinais que serão usados paraposteriores treinamentos. Para conduzir o usuário, as tarefas pretendidas são indicadasatravés de setas direcionais mostradas na tela. Se por exemplo, escolhe-se a seta para baixo(Figura 10) para indicar movimento de mordida, toda a vez que tal seta aparecer o usuáriodeve morder. As setas são mostradas em ordem aleatória e é possível escolher quantasvezes cada seta irá aparecer, assim como a duração e intervalos entre elas. Os estímulosresponsáveis por essas setas são gerados pelo bloco “Graz Motor Imagery BCI Stimulator”e as mesmas são exibidas na tela pelo “Graz visualization”. Para que fossem mostradas setasem 4 posições diferentes ao invés de apenas 2, o script exemplo em linguagem lua fornecido

48

Figura 8: Posições nas quais foram instalados os eletrodos (em vermelho)

Fonte: Adaptado de Jirayucharoensak, Pan-ngum e Israsena (2014)

precisou ser modificado (APÊNDICE A), assim como novos campos de configuraçãoforam adicionados ao bloco. Quando nenhuma seta é mostrada o usuário deve permanecerimóvel, pois a quinta classe escolhida é sempre o repouso (quando a cadeira não deverá semover). Os sinais do capacete são lidos pelo “Acquisition client”. No total há 11 canaisenviados pelo capacete, os 8 primeiros são os canais de EEG e os demais são a leiturasdos 3 eixos do acelerômetro presente na placa utilizada. Como deseja-se gravar apenas ossinais EEG utilizados, somente os 7 primeiros canais são selecionados. O bloco “Genericstream writer” é responsável por gravar os sinais em um arquivo externo.

O segundo cenário (Figura 11) é utilizado para treinar o filtro espacial CSP.Primeiramente o sinal é passado por um filtro temporal passa-banda Butterworth dedimensão 5. Como os estímulos fornecidos também foram gravados previamente no cenário1, as partes corretas dos sinais são recortadas e usadas para treinar o classificador deacordo com os estímulos. Após diversos testes foram escolhidos intervalos de 1,5s deduração, que se iniciam 0,25s após as instruções serem mostradas para o usuário. Otreinador do filtro CSP foi substituído por um treinador regularizado que diferente do

49

Figura 9: Cenário 1 - utilizado para gravação dos dados

Fonte: Captura de tela do software OpenVIBE

anterior também suporta mais de duas classes. Novamente foram feitos diversos testes comdiferentes configurações desse treinador. Ao final decidiu-se por usar “Trace normalization”para compensar as mudanças na potência média do sinal ao longo do tempo, fazendo comque cada intervalo usado para treinar o filtro tenha a mesma contribuição, independenteda potência, e “shrinkage coefficient” igual a 0,5.

O terceiro cenário (Figura 12) é usado para treinar o classificador. Primeiramenteo sinal é filtrado com os filtros passa-banda e CSP previamente treinado e novamente érecortado de acordo com os estímulos fornecidos, porém, dessa vez os intervalos de 1,5ssão divididos em partes de 1s a cada 0,1s (resultando em 6 partes de 1s dentro de cadaintervalo de 1,5s). É importante que o classificador treine com diferentes partes do sinal porduas razões principais. Primeiro, o número de amostras para o treinamento é multiplicadodessa forma. E além disso, para comandar a cadeira de rodas, os estímulos dados pelosusuários serão dados a qualquer momento, porém os sinais serão lidos periodicamente emintervalos definidos (1s). Assim, o sistema deve classificar corretamente o sinal mesmo seseu início ou final não forem lidos dentro do intervalo. Após essas divisões do sinal, atravésde aplicações de fórmulas matemáticas simples, é calculado o Logarithmic Band Power(log-BP), que permite evidenciar as características de sinais ERD/ERS. E então cadaamostra é concatenada em um vetor de características e enviada para o treinamento do

50

Figura 10: Seta para baixo indicando que o usuário deve executar um movimento previa-mente escolhido


classificador. Utilizou-se shrinkage automática, a estratégia “OneVsAll” para a classificaçãode múltiplas classes e foi definido como 5 o número de partições para o “cross-validationtest”. Essa última característica não influencia o resultado do classificador, é usada apenaspara estimar o erro. Escolher 5 partições significa, que no teste, a cada 5 amostras oclassificador irá treinar 4 e testar 1. As amostras testadas são intercaladas com as treinadas,de modo que todas passem pelo teste.

O quarto cenário consiste em um teste online. Com filtro espacial e classificadorjá treinados essa é a fase de testar a eficiência dos mesmos. Nesse cenário, instruçõessão mostradas para o usuário assim como no cenário 1. Novamente o sinal é filtrado,dividido em partes e o log-BP é calculado como no cenário 3. Mas dessa vez os vetores decaracterísticas são enviados para o classificador treinado. Por fim, as instruções mostradaspara os usuários são comparadas com a saída do classificador, o que permite definir a taxade acerto e erros para cada tipo de estímulo. Essas taxas são mostradas através de umamatriz (“Confusion Matrix”). Os sinais lidos são novamente gravados, pois dessa formapodem ser usados para treinar novos filtros e classificadores. Obs.: Como agora todos ossinais são enviados para o mesmo lugar, independente do estímulo, foi necessário usardois blocos adicionais: “Switch director” e “Stream Switch”. O primeiro também usa umpequeno script lua que teve que ser modificado para acrescentar os demais estímulos usados

51

Figura 11: Cenário 2 - utilizado para treinar o filtro espacial


(APÊNDICE B). Como blocos do tipo “Lua Stimulator” apenas recebem, processame enviam estímulos, cada vez que esse bloco recebe os estímulos esperados (usados parainstruções de movimento ou repouso) é enviado um estímulo de “correto” para o bloco“Stream Switch” com um intervalo de tempo e atraso definidos. Apenas durante essesperíodos o sinal EEG fica disponível na saída do bloco, possibilitando classificar os sinaisnos momentos corretos.

Com o propósito de encontrar classes que pudessem ser separadas satisfatoriamente,foram avaliados diversos conjuntos de movimentos, tanto imaginários como reais. Vistoque movimentos reais são mais eficientes, foi dado prioridade a movimentos faciais, quepodem ser realizados por usuários que possuem apenas movimentos do pescoço para cima.

Após testes, percebeu-se que o sinal é muito suscetível a ruídos provenientes depequenos movimentos do capacete causados por movimentos faciais ou da cabeça. Por essarazão, também foi acrescentado um bloco para usar a média do sinal de todos os eletrodosutilizados como referência para todos os canais. Esse bloco foi inserido antes do filtrotemporal em todos os cenários (exceto no primeiro, que é usado apenas para gravação desinais). A ideia é diminuir os ruídos causados partindo do fato de que quando o capacete

52

Figura 12: Cenário 3 - utilizado para treinar o classificador


se move, todos os eletrodos se atritam com o couro cabeludo de forma semelhante.

3.7.2 Controle com EEG e acelerômetro

Como os resultados obtidos nos testes apenas com o controle por EEG (focadoem ERD/ERS) não foram satisfatórios devido à dificuldade em separar várias classes demovimentos, optou-se por fazer uso do acelerômetro já disponível na placa Cyton BiosensingBoard para tornar o problema um pouco mais simples. A ideia foi separar apenas umaclasse (a que obteve melhor resultado nos testes anteriores) e usá-la apenas para ligar edesligar o sistema. Assim, o controle direcional da cadeira ficou por conta de dois eixosperpendiculares do acelerômetro instalado no equipamento. Como a placa está fixada nocapacete utilizado pelo usuário, o mesmo pode usar movimentos da cabeça (inclinações)para controlar a cadeira (semelhante a um joystick). A função de ligar e desligar por EEGé importante, pois quando o usuário não deseja movimentar a cadeira basta desligar osistema, possibilitando que o mesmo possa movimentar a cabeça livremente.

Os cenários construídos no OpenVIBE para tal propósito foram semelhantes aos

53

Figura 13: Cenário 4 - utilizado para execução do teste online


54

anteriores, porém adaptados para apenas duas classes (é preciso separar uma classe de todasas demais). Dessa forma, num primeiro momento, houve mudanças apenas nos cenários2 (Figura 14) e 3 (Figura 15). Posteriormente, foi acrescentado um novo cenário online(Figura 16) usado para controlar efetivamente a cadeira em tempo real. O cenário é parecidocom o teste online, porém não são mostradas instruções na tela para o usuário, uma vezque o mesmo agora pode executar as tarefas de acordo com sua escolha para movimentara cadeira. A leitura dos dois eixos do acelerômetro usados para controlar a cadeira estãonos canais 9 e 11, por isso os mesmos são selecionados e tem sua taxa de amostragemde 250Hz reduzida para 10Hz. Essa taxa foi escolhida empiricamente, buscando-se umcontrole eficiente da cadeira sem sobrecarregar o sistema com altas taxas de leitura eescrita. A saída do classificador, bem como os sinais do acelerômetro utilizado foramconectados ao bloco “Python scripting”. Como a frequência das leituras do acelerômetroforam baixadas para 10Hz e a frequência do classificador é apenas 1Hz (os sinais EEGsão divididos em intervalos de 1s), a frequência de clock do bloco usada também foi 10Hz.O código em python desenvolvido (APÊNDICE C) usa uma classe e algumas funçõespadrão, necessárias para a compilação através do OpenVIBE e ao mesmo tempo é um nópublicador do ROS. Assim, após a leitura dos sinais, os mesmos são processados no scripte as velocidades calculadas são enviadas ao controlador através de publicações. Visandoa segurança do usuário, a velocidade da cadeira foi limitada através desse publicador.Quando o capacete é inclinado mais que o limite estabelecido, a velocidade se mantémconstante.

3.8 Interligação dos componentes do projeto

Todos os componentes do projeto foram interligados de modo a garantir o fun-cionamento do novo modo de controle da cadeira de rodas. Em resumo, tanto os sinaisEEG quanto do acelerômetro, captados através do capacete, são enviados para o softwareOpenVIBE, onde são processados. As velocidades resultantes desse processamento sãoenviadas para o controlador através de publicações no ROS. E finalmente a cadeira move-separa a direção desejada pelo usuário. O diagrama geral dos componentes principais doprojeto pode ser visto na Figura 17.

55

Figura 14: Cenário 2 adaptado para duas classes - utilizado para treinar o filtro espacial


56

Figura 15: Cenário 3 adaptado para duas classes - utilizado para treinar o classificador


57

Figura 16: Cenário 5 - utilizado para o controlar da cadeira em tempo real


Figura 17: Diagrama mostrando interligação dos componentes principais do projeto

Fonte: Elaborado pelo autor1

1 (a): Imagem adaptada de OpenBCI (2018b)(b): Imagem extraída de Orto Pinhais (2018)

59

4 RESULTADOS E DISCUSSÕES

4.1 EEG para controlar a cadeira

Os primeiros testes tiveram como objetivo escolher o melhor conjunto de movimentospara controlar a cadeira, avaliando-se os resultados proveniente do “cross-validation test”do classificador. A seguir são apresentados os resultados dos dois principais conjuntos demovimentos testados. Os movimentos apenas imaginários não puderam ser identificadose por isso os mesmos foram omitidos. Vale ressaltar que apesar do fato de que algunsmovimentos testados não podem ser realizados por possíveis usuários, para intuitos depesquisa ainda são relevantes, visto que a tentativa de movimento apresenta resultadossemelhantes a movimentos físicos.

4.1.1 Conjunto 1

Esse conjunto consiste nos movimentos: mão esquerda, mão direita, pés e mordida,além do repouso. A gravação dos sinais foi feita com 5 movimentos de cada classe. O filtrotemporal utilizado foi um passa-banda Butterworth de dimensão 5, com frequências decorte de 8 e 30Hz. A Tabela 2 mostra o resultado do “cross-validation test” quando foiutilizado um filtro CSP de 3 dimensões sem utilizar média dos eletrodos como referência.Logo após, foi acrescentado o filtro da média e os dados foram testados novamente paraum CSP de 3 dimensões (Tabela 3) e 7 dimensões (Tabela 4). Como 7 também é o númerode canais utilizado, essa última configuração constrói um filtro para cada classe utilizandotodos os canais, o que pode aumentar a eficiência, mas também aumenta a quantidade dedados a ser processada.

Tabela 2: Cross-validation test do Conjunto 1 de movimentos utilizando filtro passa-banda entre 8 e 30Hz e um CSP de 3 dimensões

Resultado do Classificador [%]Mão Mão Mordida Pés Repousoesquerda direita

Movimento

Mão esquerda 43,3 3,3 16,7 16,7 20,0

realizado

Mão direita 0,0 33,3 10,0 30,0 26,7Mordida 10,0 33,3 6,7 26,7 23,3

Pés 0,0 40,0 10,0 26,7 23,3Repouso 3,3 16,7 6,7 6,7 66,7


4.1.2 Conjunto 2

Além do repouso, os movimentos desse conjunto são apenas faciais: lado esquerdoda boca, lado direito da boca, levantar as sobrancelhas e mordida. Essa última foi mantida

60

Tabela 3: Cross-validation test do Conjunto 1 de movimentos utilizando filtro passa-banda entre 8 e 30Hz, um CSP de 3 dimensões e a médias dos canais comoreferência


Movimento

Mão esquerda 33,3 20,0 3,3 13,3 30,0

realizado

Mão direita 40,0 10,0 0,0 33,3 16,7Mordida 0.0 20,0 73,3 6,7 0,0

Pés 13,3 20,0 0,0 36,7 30,0Repouso 20,0 3,3 0,0 36,7 40,0


Tabela 4: Cross-validation test do Conjunto 1 de movimentos utilizando filtro passa-banda entre 8 e 30Hz, um CSP de 7 dimensões e a média dos canais comoreferência


Movimento

Mão esquerda 33,3 26,7 3,3 10,0 26,7

realizado

Mão direita 33,3 10,0 16,7 16,7 23,3Mordida 0,0 20,0 73,3 0,0 6,7

Pés 10,0 20,0 0,0 40,0 30,0Repouso 23,3 16,7 6,7 33,3 20,0


por obter um bom resultado no conjunto anterior. Foram gravados 10 movimentos paracada classe, mantendo as prévias configurações. A Tabela 5 mostra o resultado do testesem utilizar como referência a média dos canais e um CSP de 3 dimensões e a Tabela 6para um CSP de 7 dimensões.

Até então os testes foram feitos filtrando os sinais entre 8 e 30Hz, que é o intervalode frequência mais utilizado para sinais EEG em geral. Porém é possível subdividir esseintervalo. Segundo Pfurtscheller e Silva (1999), o ERD ocorre no chamado pré-movimentoe apresenta uma redução significativa de potência na banda entre 8 e 12Hz, enquanto queERS ocorre após o movimento e apresenta um aumento de potência na banda entre 12e 19Hz. Além disso, o ERD pode ser separado em mais duas bandas, a dessincronizarãoque ocorre entre 8 e 10Hz acontece em todo o escalpo e provavelmente representa tarefasgerais e processos atencionais. Por outro lado, entre 10 e 12Hz o efeito é restrito a umaárea e está bastante relacionado à aspectos específicos da tarefa.

Por essa razão e como a intenção é utilizar os sinais logo após os estímulos seremfornecidos para o usuário, testes também foram feitos filtrando os sinais apenas entre10 e 12Hz. Focar no ERD permite uma resposta mais rápida à ação do usuário, o que

61

Tabela 5: Cross-validation test do Conjunto 2 de movimentos utilizando filtro passa-bandaentre 8 e 30Hz e um CSP de 3 dimensões

Resultado do Classificador [%]Lado Lado Levantar

Mordida Repousoesquerdo direito as sobran-da boca da boca celhas

Movimento

Lado28,3 38,3 0,0 13,3 20,0

realizado

esquerdoda bocaLado

16,7 55,0 0,0 5,0 23,3direitoda bocaLevantar

0,0 3,3 95,0 0,0 1,7as sobran-celhas

Mordida 8,3 30,0 0,0 55,0 6,7

Repouso 3,3 25,0 0,0 10,0 61,7


também é uma vantagem para o controle da cadeira em tempo real. A Tabela 7 e Tabela 8apresentam os resultados para um CSP de 3 e 7 dimensões, respectivamente.

Por fim, os dados também foram testados utilizando a média dos canais comoreferência (Tabela 9 e Tabela 10).

4.1.3 Discussão

Os erros podem ser divididos em duas categorias: falso positivo, quando o sistemaentende que o usuário fez um determinado movimento, mas o mesmo não ocorreu e falsonegativo, quando o usuário fez um determinado movimento, mas o sistema entende comorepouso. O falso positivo é o tipo mais crítico de erro, pois, na prática, isso implica emmovimentos não intencionais da cadeira, que se move para uma das direções quandoo usuário deseja que a mesma fique parada ou move-se para uma direção diferente daescolhida. Esse tipo de erro compromete inclusive a segurança do usuário. Já o falsonegativo, na prática, apenas significa que o usuário pode precisar executar o movimentopretendido mais de uma vez até que o sistema entenda sua intenção. Enquanto isso, acadeira permanece parada, não representando riscos.

É possível verificar que devido às altas porcentagens de erros, os resultados obtidosinviabilizam um controle eficiente da cadeira de rodas. O teste que obteve melhoresresultados gerais foi o representado pela Tabela 6. Apesar de uma taxa média de acertos de73,66%, se forem analisados a taxa de cada movimento, constata-se que os dois movimentos

62




Movimento

Lado58,3 41,7 0,0 0,0 0,0

realizado

esquerdoda bocaLado


0,0 0,0 90,0 0,0 10,0as sobran-celhas

Mordida 0,0 10,0 0,0 85,0 5,0

Repouso 0,0 13,3 0,0 8,3 78,3


da boca utilizados têm uma taxa de acerto abaixo de 60% e, além disso, são responsáveispor muitos falsos positivos, o que inviabiliza um controle razoável da cadeira.

De modo geral, os movimentos das mãos e da boca tiveram os piores resultados.Por outro lado, levantar as sobrancelhas obteve a melhor taxa de acertos, seguido pelamordida.

Como não foi possível encontrar 4 movimentos que pudessem ser separados satisfa-toriamente, optou-se por utilizar apenas o movimento com melhor resultado (levantar assobrancelhas) para ligar e desligar o sistema, e o acelerômetro presentes no capacete parao controle direcional da cadeira.

4.2 EEG para ligar e desligar o sistema

Nessa etapa, diversos ensaios foram feitos buscando a melhor forma de separar omovimento das sobrancelhas de todos os demais. Optou-se por utilizar filtros passa bandaentre 10 e 12Hz nos cenários construídos no OpenVIBE. Em todos os testes o movimentode levantar as sobrancelhas foi escolhido como a primeira classe.

4.2.1 Conjunto 3

No primeiro teste, na tentativa de tornar o sistema robusto, permitindo que ousuário faça movimentos rotineiros sem ligar/desligar o sistema, foram escolhidos diversos

63




Movimento

Lado30,0 30,0 0,0 10,0 30,0

realizado

esquerdoda bocaLado


0,0 10,0 90,0 0,0 0,0as sobran-celhas

Mordida 20,0 38,3 0,0 35,0 6,7

Repouso 10,0 16,7 0,0 16,7 56,7


movimentos para a segunda classe: repouso, gesticulações, expressões faciais, fala, respiraçãoprofunda, engolir, mastigar e leves movimentos de cabeça. Foram gravados 15 movimentospara cada classe. A Tabela 11 mostra o resultado do cross-validation test nessas condições.

É possível ver que nesse teste não houve presença de falsos positivos. Apesar dapresença de 7,8% de falso negativo, quando o teste online foi feito nas mesmas condiçõesobteve-se um acerto de 100%. Porém, quando foram feitos movimentos com a cabeça paratestar a resposta do acelerômetro, falsos positivos apareceram.

4.2.2 Conjunto 4

O teste anterior mostrou a necessidade de acrescentar à segunda classe movimentosde cabeça mais intensos e parecidos com aqueles que serão executados ao controlar acadeira com acelerômetro. Além disso, como o principal causador desses falsos positivossão os ruídos causados pelo atrito dos eletrodos com o escalpo durante os movimentos dacabeça, decidiu-se também utilizar a média dos canais como referência. Mais uma vez,foram utilizados 15 movimentos para cada classe. Testes foram realizados nessas novascondições utilizando um CSP de 3 dimensões (Tabela 12) e um de 7 dimensões (Tabela 13).

Como pode ser visto, os resultados dos Cross-validation tests mostraram-se melhores,chegando a 100% de acerto quando foi usado um CSP de 7 dimensões. Porém, testes onlineainda mostraram a presença de falsos positivos durante os movimentos da cabeça.

64




Movimento

Lado23,3 30,0 0,0 13,3 33,3

realizado

esquerdoda bocaLado


20,0 0,0 80,0 0,0 0,0as sobran-celhas

Mordida 26,7 25,0 0,0 40,0 8,3

Repouso 20,0 10,0 0,0 15,0 55,0


4.2.3 Conjunto 5

Na tentativa de eliminar os falsos positivos restantes, mais uma coleta de dadosfoi feita, agora com a gravação de 25 movimentos de cada classe e com maior foco nosmovimentos da cabeça, tentando englobar todas as direções possíveis com diferentesintensidades. Foram evitadas sessões mais longas de aquisição de sinal, pois erros demovimentos se tornam mais comuns, devido à perda de concentração do usuário.

A Tabela 14 mostra o resultado do teste com o novo conjunto de movimento. Apesardo Cross-validation test apresentar resultados inferiores aos indicados anteriormente, testesonline mostraram que o sistema se tornou mais robusto, tolerando mais movimentos decabeça sem gerar falsos positivos. Ainda assim, não foi possível faze-lo 100% tolerante,com movimentos bruscos o sistema ainda comete erros, por isso é preciso evitá-los. Dessaforma, é difícil avaliar a eficiência do sistema em números, pois a mesma depende do modocom que o usuário faz os movimentos e pode melhorar significativamente com treinamento.

4.2.4 Discussão

A melhora do uso do filtro CSP de 7 dimensões (mesmo números de canais utilizados)para o de 3 dimensões é pequena, porém, como isso não sobrecarregou o processamento desinal (devido ao número baixo de canais utilizados), foi empregado um CSP de 7 dimensõespara a versão final do trabalho.

65

Tabela 9: Cross-validation test do Conjunto 2 de movimentos utilizando filtro passa-bandaentre 10 e 12Hz, um CSP de 3 dimensões e a média dos canais como referência



Movimento

Lado21,7 45,0 0,0 8,3 25,0

realizado

esquerdoda bocaLado


10,0 10,0 80,0 0,0 0,0as sobran-celhas

Mordida 10,0 16,7 0,0 71,7 1,7

Repouso 5,0 28,3 0,0 10,0 56,7


Foi possível constatar que o sinal EEG capturado é muito suscetível a ruídos,mesmo com as filtragens utilizadas. Em particular, ao mesmo tempo que o movimentode levantar a sobrancelha apresentou uma boa capacidade de ser separável, o mesmo éresponsável pela geração de uma quantidade significativa de ruído. Isso acontece, pois, ocapacete se move ligeiramente com o movimento, fazendo com que os eletrodos se atritemcom o couro cabeludo. Como consequência, o classificador se confunde entre o movimentode levantar a sobrancelha e movimentos bruscos da cabeça. Por essa razão, durante o usodo equipamento, o usuário deve apenas fazer movimentos sutis com a cabeça, evitandoque falsos positivos ocorram, e o sistema ligue/desligue sem a sua intenção. Esse problemapode ser mais difícil de ser evitado quando a cadeira for usada em terrenos com grandesirregularidades. Ao passar sobre imperfeições do solo, podem ocorrer movimentos nocapacete, gerando também os falsos positivos.

4.3 Uso de acelerômetro

Após a etapa de processamento EEG o capacete foi testado não apenas para ligare desligar o sistema, mas também para o controle direcional da cadeira através de 2 dos3 eixos do acelerômetro presente no mesmo. Como o acelerômetro utilizado possui eixosperpendiculares, a dirigibilidade da cadeira ficou muito parecida com a feita pelo joystick.A cabeça do usuário deve mover-se para as mesmas direções do joystick para resultadossemelhantes, o que mostra que o sistema é funcional e eficiente.

66

Tabela 10: Cross-validation test do Conjunto 2 de movimentos utilizando filtro passa-banda entre 10 e 12Hz, um CSP de 7 dimensões e a média dos canais comoreferência



Movimento

Lado30,0 36,7 0,0 6,7 26,7

realizado

esquerdoda bocaLado


3,3 10,0 86,7 0,0 0,0as sobran-celhas

Mordida 11,7 15,0 0,0 71,7 1,7

Repouso 1,7 21,7 0,0 10,0 66,7


Tabela 11: Cross-validation test do Conjunto 3 de movimentos uti-lizando filtro passa banda entre 10 e 12Hz e um CSP de3 dimensões

Resultado do Classificador [%]Levantar as Outrossobrancelhas

MovimentoLevantar as 92,2 7,8

realizadosobrancelhas

Outros 0,0 100,0


Vale ressaltar que apesar dessa semelhança, surgem dois problemas principaisnão presentes no controle com joystick. O primeiro deles é intrínseco ao princípio defuncionamento do acelerômetro. Como usa a gravidade como referência, e não o nível dosolo, há a necessidade de o usuário aumentar ou diminuir a amplitude dos movimentosda cabeça de acordo com a inclinação do local. Porém, como a inclinação em rampaspara deficientes não devem passar de 8,33% (1:12) em condições normais ou 12,5% (1:8)em situações excepcionais (pequenos segmentos de rampas durante reformas, onde não épossível manter os 8,33% estabelecidos) (ASSOCIAÇÃO BRASILEIRA DE NORMASTÉCNICAS, 2004), as mudanças de inclinação da cabeça não são muito significativas. O

67





Outros 0,0 100,0






Outros 0,0 100,0






Outros 1,3 98,7


segundo problema é a falta de liberdade de mover a cabeça para qualquer direção enquantoo usuário controla a cadeira. Deixando-o inclusive com um campo de visão reduzido.

É importante salientar, que o equipamento não é eficaz para todos os pacientes.Dependendo do nível da lesão ou doença, alguns também possuem os movimentos dopescoço reduzidos ou inexistentes, sendo necessário buscar outras alternativas para umalocomoção independente. Entretanto, apesar de suas limitações, o sistema desenvolvido éuma alternativa plausível para muitos usuários que possuem os movimentos dos membrosinferiores e superiores comprometidos.

69

5 CONCLUSÃO

Este trabalho propôs o estudo de viabilidade de dois métodos alternativos decontrole de uma cadeira de rodas motorizada comercial. O objetivo é que tais métodossejam adequados para um grupo de deficientes que ainda carece de meios viáveis e acessíveispara a independência de mobilidade, as pessoas com movimentos voluntários apenas dopescoço para cima.

Primeiramente, tentou-se construir um sistema para controlar a cadeira apenasatravés de sinais EEG provindos de 8 canais e de forma não invasiva. Os sinais escolhidosforam do tipo ERS/ERD que ocorrem durante o planejamento e execução de movimentos,assim como logo após a finalização dos mesmos. A leitura foi feita através de hardwaresfornecidos pela plataforma OpenBCI e processados com auxílio do software OpenVIBE,essencialmente por meio de filtros passa-banda, filtro espacial CSP, cálculo do log-BP eum classificador LDA. Tal sistema mostrou-se ineficiente para um controle satisfatório doequipamento devido à alta taxa de erros verificada. Esse resultado comprova a grandedificuldade de separar diversas classes baseadas em imagem motora, principalmente emum sistema assíncrono, e mostra que para atingir tal objetivo é necessário equipamentose/ou métodos mais sofisticados.

Como alternativa, foi proposto a utilização de acelerômetro, instalados no mesmocapacete usado para captação dos sinais EEG, para o controle direcional da cadeira. Nessesegundo método, os sinais de EEG, nos mesmos moldes anteriores, foram usados apenaspara ligar e desligar o sistema. Essa estratégia exige que apenas uma classe EEG sejaseparada, diminuindo consideravelmente a complexidade do sistema. Diferente do casoanterior, tal sistema mostrou-se viável, com taxas de erros moderadas. Esses erros foramprovenientes, mais uma vez, da leitura e processamento EEG, sendo a grande quantidadede ruído lida juntamente com o sinal a principal causa. Por outro lado, a dirigibilidadedo equipamento mostrou-se eficiente e similar a alcançada através de joystick. Assim, oacelerômetro proporcionou um sistema prático e de fácil aprendizagem, tornando-o umatecnologia assistiva com grande potencial de aceitação por parte dos usuários.

5.1 Trabalhos Futuros

Devido à grande variação de sinais EEG existente entre diferentes indivíduos, umaetapa fundamental para trabalhos futuros é testar os métodos aqui utilizados com umconsiderável número de pessoas, incluindo cadeirantes com limitações de movimentos nosmembros superiores (potenciais usuários do sistema). Dessa forma, a avaliação do sistemapoderá ser feita por medidas de desempenho através de percursos predefinidos além depesquisas de satisfação com os usuários.

70

Além disso, uma forma de aprimorar o projeto seria acrescentado um subsistemaque impeça colisões com obstáculos, melhorando a segurança do usuário em situaçõesadversas, e durante a fase de adaptação ao produto. A inclusão de novos sensores seráfacilitada pelo framework ROS já utilizado no projeto.

71

REFERÊNCIAS

AMIRI, S.; FAZEL-REZAI, R.; ASADPOUR, V. A review of hybrid brain-computerinterface systems. v. 2013, 02 2013.

ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 9050: Acessibilidade aedificações, mobiliário, espaços e equipamentos urbanos. Rio de Janeiro, 2004. 105 p.

BRAGA, R. A. M. Plataforma de Desenvolvimento de Cadeiras de RodasInteligentes. 2010. 246 f. Tese (Doutorado) — Faculdade de Engenharia, Universidadedo Porto, Porto, Portugal, 2010. Disponível em: <https://repositorio-aberto.up.pt/bitstream/10216/58143/1/000143613.pdf>. Acesso em: 11 nov. 2017.

DURKA, P. J. et al. User-centered design of brain-computer interfaces: Openbci.pl andbci appliance. Bulletin of the Polish Academy of Sciences: Technical Sciences,v. 60, p. 427, 2012. Disponível em: <https://www.degruyter.com/view/j/bpasts.2012.60.issue-3/v10175-012-0054-1/v10175-012-0054-1.xml>. Acesso em: 07 jun. 2017.

FERREIRA, C. L. Interface de sopro e sucção para controle de cadeira de rodas.2008. 51 f. Dissertação (Mestrado) — Centro de Tecnologia e Urbanismo, UniversidadeEstadual de Londrina, Londrina, 2008.

FREEDOM. Manual do Proprietário. Pelotas, 2010. Disponível em: <http://www.shopfisiobrasil.com.br/pdf/303.pdf>. Acesso em: 13 fev. 2018.

GE, S.; WANG, R.; YU, D. Classification of four-class motor imagery employingsingle-channel electroencephalography. PLOS ONE, Public Library of Science, v. 9, n. 6,p. 1–7, 06 2014. Disponível em: <https://doi.org/10.1371/journal.pone.0098019>. Acessoem: 07 fev. 2018.

GRAIMANN, B. A. T.; PFURTSCHELLER, G. Book Section. RevolutionizingHuman-Computer Interaction. 1nd. ed. Berlin: Springer-Verlag Berlin Heidelberg,2010.

HUMANPHYSIOLOGY.ACADEMY. Control of Voluntary Movements. [S.l.], 2015.Disponível em: <http://humanphysiology.academy/Neurosciences%202015/Chapter%204/P.4.1%20Motor%20Pathways.html>. Acesso em: 19 fev. 2018.

INRIA RENNES. Open Vibe: Software for brain computer interfaces and real timeneurosciences. 2018. Disponível em: <http://openvibe.inria.fr/>. Acesso em: 07 nov. 2017.

ITUNER NETWORKS CORP. Mini-box.com. M4-ATX, 250w output, 6v to30v wide input Intelligent Automotive DC-DC Car PC Power Supply. 2018.Disponível em: <http://www.mini-box.com/M4-ATX>. Acesso em: 15 fev. 2018.

JIRAYUCHAROENSAK, S.; PAN-NGUM, S.; ISRASENA, P. Eeg-based emotionrecognition using deep learning network with principal component based covariate shiftadaptation. v. 2014, p. 627892, 09 2014.

72

JUKIEWICZ, M.; CYSEWSKA-SOBUSIAK, A. Stimuli design for ssvep-based braincomputer-interface. International Journal of Electronics and Telecommunications,v. 62, p. 109–113, 2016. Disponível em: <https://www.degruyter.com/view/j/eletel.2016.62.issue-2/eletel-2016-0014/eletel-2016-0014.xml>. Acesso em: 08 jun. 2017.

KAUHANEN, L. et al. Eeg-based brain-computer interface for tetraplegics. v. 2007, p.23864, 02 2007.

LANDGE, S. et al. Accelerometer based gesture controlled wheelchair. v. 161, p. 9–12, 032017.

MACHADO, J. C. Pré-processamento, extração de características e classificaçãooffline de sinais eletroencefalográficos para uso em sistemas BCI. 2012. 112 f.Dissertação (Mestrado) — Escola de Engenharia, Universidade Federal do Rio Grande doSul, Porto Alegre, 2012.

MACHADO, S. et al. Interface cérebro-computador: novas perspectivas para a reabilitação.Revista Neurociências, v. 7, n. 4, p. 329–335, 2008.

NEUPER, C. et al. Imagery of motor actions: Differential effects of kinesthetic andvisual–motor mode of imagery in single-trial eeg. Cognitive Brain Research, v. 25,n. 3, p. 668 – 677, 2005. ISSN 0926-6410. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0926641005002533>. Acesso em: 12 nov. 2017.

OPEN SOURCE ROBOTICS FOUNDATION. ROS.org: Documentation. 2017.Disponível em: <http://wiki.ros.org/>. Acesso em: 07 nov. 2017.

OPENBCI. Cyton Biosensing Board (8-channels). 2018. Disponível em: <https://shop.openbci.com/collections/frontpage/products/cyton-biosensing-board-8-channel>.Acesso em: 11 out. 2018.

. Ultracortex "Mark IV"EEG Headset. 2018. Disponível em: <https://shop.openbci.com/products/ultracortex-mark-iv>. Acesso em: 11 out. 2018.

ORTO PINHAIS. Cadeira Motorizada Freedom SX. Curitiba, 2018. Disponívelem: <http://www.orthopinhais.com.br/CADEIRA-MOTORIZADA-FREEDOM-SX/prod-678698/>. Acesso em: 16 mar. 2018.

PERERA, C. J. et al. Ssvep based bmi for a meal assistance robot. In: 2016 IEEEInternational Conference on Systems, Man, and Cybernetics (SMC). [S.l.: s.n.],2016. p. 002295–002300.

PFURTSCHELLER, G.; SILVA, F. Lopes da. Event-related eeg/meg synchronization anddesynchronization. v. 110, p. 1842–57, 12 1999.

RABHA, J. Classification of multi class motor imagery EEG signals usingsparsity based dictionary learning approach. 2017. 69 f. Dissertação (Mestrado)— Department of Computer Science and Engineering, Indian Institute of Technology,Kharagpur, India, 2017.

ROUILLARD, J. et al. Hybrid bci coupling eeg and emg for severe motordisabilities. Procedia Manufacturing, v. 3, p. 29 – 36, 2015. ISSN 2351-9789. 6th International Conference on Applied Human Factors and Ergonomics

73

(AHFE 2015) and the Affiliated Conferences, AHFE 2015. Disponível em:<http://www.sciencedirect.com/science/article/pii/S2351978915001055>. Acesso em: 20ago. 2017.

SANDEEP; SUPRIYA. Wheel-chair control using accelerometer based gesture technology.International Journal of Advanced Research in Computer Engineering &Technology (IJARCET), v. 4, 2015. ISSN 2278–1323.

SIMPSON, R. Smart wheelchairs: A literature review. Journal of RehabilitationResearch & Development, v. 42, p. 423–436, 07 2005.

TAMEEMSULTANA, S.; SARANYA, N. K. Implementation of head and fingermovement based automatic wheel chair. Bonfring International Journalof Power Systems and Integrated Circuits, v. 1, 2011. Disponível em:<http://journal.bonfring.org/abstract.php?id=5&archiveid=73>. Acesso em: 05 dez.2017.

TIDARE, J.; BäCKSTRöM, M. A Brain-Actuated Robot Controller for Intuitiveand Reliable Manoeuvring. 2016. 84 f. Dissertação (Mestrado) — School of InnovationDesign and Engineering, Malardalen University, Vasteras, Sweden, 2016.

WAHID, K. A. A. Development of Tilt and Vibration Measurement andDetection System Using MEMS Accelerometer as a Sensor. 2008. 43 f.Dissertação (Mestrado) — Universiti Sains Malaysia, Malásia, 2008.

WOLPAW, J. R. et al. Brain computer interfaces for communication and control. ClinicalNeurophysiology, Elsevier, v. 113, n. 6, p. 767–791, 2002. ISSN 1388-2457. Disponívelem: <http://dx.doi.org/10.1016/S1388-2457(02)00057-3>. Acesso em: 11 nov. 2017.

WORLD HEALTH ORGANIZATION. Media centre. Disability and health: Fact sheet.2018. Disponível em: <http://www.who.int/mediacentre/factsheets/fs352/en/>. Acessoem: 08 abr. 2018.

WU, X.-H.; SU, M.-C.; WANG, P.-C. A hand-gesture-based control interface for acar-robot. In: 2010 IEEE/RSJ International Conference on Intelligent Robotsand Systems. [S.l.: s.n.], 2010. p. 4644–4648. ISSN 2153-0858.

YONG, X.; MENON, C. Eeg classification of different imaginary movements withinthe same limb. PLOS ONE, Public Library of Science, v. 10, n. 4, p. 1–24, 04 2015.Disponível em: <https://doi.org/10.1371/journal.pone.0121896>. Acesso em: 07 fev. 2018.

Apêndices

77

APÊNDICE A – CÓDIGO EM LINGUAGEM LUA MODIFICADO PARA QUEFOSSEM MOSTRADOS NA TELA ESTÍMULOS PARA 5 CLASSES

DIFERENTES

function initialize (box)

dofile(box: get_config ("${ Path_Data }") .. "/ plugins /stimulation /lua -stimulator -stim - codes.lua ")

number_of_trials = box: get_setting (2)first_class = _G[box: get_setting (3)]second_class = _G[box: get_setting (4)]baseline_duration = box: get_setting (5)wait_for_beep_duration = box: get_setting (6)wait_for_cue_duration = box: get_setting (7)display_cue_duration = box: get_setting (8)feedback_duration = box: get_setting (9)end_of_trial_min_duration = box: get_setting (10)end_of_trial_max_duration = box: get_setting (11)third_class = _G[box: get_setting (12)]fourth_class = _G[box: get_setting (13)]fifth_class = _G[box: get_setting (14)]

-- initializes random seedmath.randomseed ( os.time ())

-- fill the sequence table with predifined ordersequence = {}for i = 1, number_of_trials do

table.insert (sequence , 1, first_class )table.insert (sequence , 1, second_class )table.insert (sequence , 1, third_class )table.insert (sequence , 1, fourth_class )table.insert (sequence , 1, fifth_class )

end

-- randomize the sequencefor i = 1, number_of_trials *5 do

78

a = math.random (i, number_of_trials *5)swap = sequence [a]sequence [a] = sequence [i]sequence [i] = swap

end

end

function process (box)

local t=0

-- manages baseline

box: send_stimulation (1, OVTK_StimulationId_ExperimentStart ,t, 0)

t = t + 5

box: send_stimulation (1, OVTK_StimulationId_BaselineStart , t, 0)

box: send_stimulation (1, OVTK_StimulationId_Beep , t, 0)t = t + baseline_duration

box: send_stimulation (1, OVTK_StimulationId_BaselineStop , t,0)

box: send_stimulation (1, OVTK_StimulationId_Beep , t, 0)t = t + 5

-- manages trials

for i = 1, number_of_trials *5 do

-- first display cross on screen

box: send_stimulation (1, OVTK_GDF_Start_Of_Trial , t, 0)box: send_stimulation (1, OVTK_GDF_Cross_On_Screen , t, 0)t = t + wait_for_beep_duration

-- warn the user the cue is going to appear

79

box: send_stimulation (1, OVTK_StimulationId_Beep , t, 0)t = t + wait_for_cue_duration

-- display cue

box: send_stimulation (1, sequence [i], t, 0)t = t + display_cue_duration

-- provide feedback

box: send_stimulation (1, OVTK_GDF_Feedback_Continuous , t,0)

t = t + feedback_duration

-- ends trial

box: send_stimulation (1, OVTK_GDF_End_Of_Trial , t, 0)t = t + math.random ( end_of_trial_min_duration ,

end_of_trial_max_duration )

end

-- send end for completenessbox: send_stimulation (1, OVTK_GDF_End_Of_Session , t, 0)t = t + 5

box: send_stimulation (1, OVTK_StimulationId_Train , t, 0)t = t + 1

-- used to cause the acquisition scenario to stopbox: send_stimulation (1, OVTK_StimulationId_ExperimentStop ,

t, 0)

end

81

APÊNDICE B – CÓDIGO EM LINGUAGEM LUA MODIFICADO PARAACRESCENTAR AS DEMAIS CLASSES UTILIZADAS

g_offset = nilg_duration = nil

-- this function is called when the box is initializedfunction initialize (box)

dofile(box: get_config ("${ Path_Data }") .. "/ plugins /stimulation /lua -stimulator -stim - codes.lua ")

g_offset = box: get_setting (2)g_duration = box: get_setting (3)

end

-- this function is called when the box is uninitializedfunction uninitialize (box)

end

function wait_until (box , time)while box: get_current_time () < time do

box:sleep ()end

end

function wait_for (box , duration )wait_until (box , box: get_current_time () + duration )

end

function process (box)-- loops on every received stimulation for a given inputwhile box: keep_processing () do

for stimulation = 1, box: get_stimulation_count (1) do

82

-- gets the received stimulationidentifier , date , duration = box: get_stimulation (1,

1)-- discards itbox: remove_stimulation (1, 1)

-- if the stimulation is correctif identifier == OVTK_GDF_Left or identifier ==

OVTK_GDF_Right or identifier == OVTK_GDF_Up oridentifier == OVTK_GDF_Down or identifier ==OVTK_StimulationId_RestStart then

box: send_stimulation (1, OVTK_GDF_Correct , date+g_offset , 0)

box: send_stimulation (1, OVTK_GDF_Incorrect , date+g_offset +g_duration , 0)

endendbox:sleep ()

endend

83

APÊNDICE C – CÓDIGO DESENVOLVIDO EM PYTHON PARA ACOMUNICAÇÃO ENTRE O OPENVIBE E O ROS

#!/ usr/bin/env python

import rospyimport timeimport sys; sys.path.append('./ pylsl ')from pylsl import StreamInlet , resolve_streamfrom std_msgs .msg import Stringfrom geometry_msgs .msg import Vector3

# inicializar variaveison = 0 # sistema inicia desligadoflag = 0 #flag usada para evitar que a funcao liga/ desliga

seja acionada mais de uma vez com o mesmo movimento desobrancelha

classe = 774 # corresponde a classe do nao movimento dasobrancelha

eixo_x = 0eixo_y = 0.3 #" -0.3" eh necessario para compensar a posicao

inclinada da placa no capacetelimite = 200 #limite de velocidade# first_pass = 0

pub = rospy. Publisher ('/ arduino_read ', Vector3 ) # publica nono " arduino_read " do ROS

rospy. init_node ('talker ', anonymous =True)

class MyOVBox (OVBox):#class OVProcess ( Process ):

def __init__ (self):OVBox. __init__ (self)

def initialize (self):

84

return

def process (self):

#usar as variaveis globais ja inicializadasglobal onglobal flagglobal classeglobal eixo_xglobal eixo_yglobal limite

# estrutura usada para ler os valores da entrada 0 (acelerometros )

for chunkIndex in range( len(self.input [0]) ):if(type(self.input [0][ chunkIndex ]) == OVSignalHeader ):

self. signalHeader = self.input [0]. pop ()elif(type(self.input [0][ chunkIndex ]) == OVSignalBuffer )

:chunk = self.input [0]. pop ()eixo_x = chunk [0]eixo_y = chunk [1]

# estrutura usada para ler os valores da entrada 1 (resultado da classificacao )

for chunkIndex in range( len(self.input [1]) ):chunk = self.input [1]. pop ()if(type(chunk) == OVStimulationSet ):

stim=chunk.pop ();classe = stim. identifier

# if first_pass == 0:# inicial_x = acelerometro [0]# inicial_y = acelerometro [1]# first_pass = 1

if classe == 774: #se a classe identificada nao eh omovimento das sobrancelhas

85

flag = 1

if classe == 780 and on == 0 and flag == 1: #se a classeidentificada eh o movimento das sobrancelhas e osistema esta desligado

print("Ligado")on = 1flag = 0

elif classe == 780 and on == 1 and flag == 1: #se aclasse identificada eh o movimento das sobrancelhas eo sistema esta ligado

print(" Desligado ")on = 0flag = 0

if on == 1: #and (abs(eixo_x - inicial_x ) >0.05 or abs(eixo_y - inicial_y ) >0.05): #se o sistema esta ligado

# transformar as leituras dos acelerometros (de -1 a 1)em uma velocidade digital

vel1 = int(eixo_x *512*2) #a multiplicacao por 2 foiutilizada para evitar movimentos de grande amplitude

de cabeca para mover a cadeiravel2 = int (( eixo_y -0.3) *512*2) #" -0.3" eh necessario

para compensar a posicao inclinada da placa nocapacete

# printar as velocidades calculadas atraves dosacelerometros

print('vel_x_calc ', vel2)print('vel_y_calc ', vel1)

#mandar velocidades digitais de acordo comacelerometros respeitando o limite definido

vector = Vector3 ()if abs(vel2) <= limite:

vector.x = vel2;elif vel2 > limite:

86

vector.x = limite;else:

vector.x = -limite;if abs(vel1) <= limite:

vector.y = vel1;elif vel1 > limite:

vector.y = limite;else:

vector.y = -limite;# printar as velocidades enviadas atraves dos

acelerometrosprint('vel_x_enviada ', vector.x)print('vel_y_enviada ', vector.y)vector.z = 1;pub. publish (vector)

else:#parar motoresvector = Vector3 ()vector.x = 0;vector.y = 0;vector.z = 1;pub. publish (vector)

return

def uninitialize (self):return

box = MyOVBox ()

ControledecadeiraderodasmotorizadaatravésdeEEG … · EEG e acelerômetro / Wilson Campi Junior;...

Documents

Transcript of ControledecadeiraderodasmotorizadaatravésdeEEG … · EEG e acelerômetro / Wilson Campi Junior;...