RECONHECIMENTO DE SINAIS DE ELETROMIOGRAFIA POR KNN

CARACTERIZADOS POR DENSIDADE ESPECTRAL DE POTENCIA

Joao Pedro Carvalho de Souza∗, Fabrıcio de Oliveira Coelho∗, Lizandra ResendeMachado∗, Andre Luis Marques Marcato∗

∗Universidade Federal de Juiz de ForaPrograma de Pos-Graduacao em Engenharia Eletrica

Juiz de Fora, Minas Gerais, Brasil

Emails: joao.pedro@engenharia.ufjf.br, fabricio.coelho2010@engenharia.ufjf.br,

lizandra.resende@engenharia.ufjf.br, andre.marcato@ufjf.edu.br

Abstract— Assistive robotics play an important social role. The contributions are present in a wide rangeof fields: from increasing productivity to helping people with special needs. In the scope of social inclusion,methods of capture and recognition of movements are proposed for use in limb prostheses. In this context, froma database of movements of the muscles of the arm, this article will address the identification of six differentmovements. The extraction of parameters by Power Spectral Density and the classification of the signals by thenearest algorithm, or Knn, will be explained. The results, recursively validated, reach the average success rateof 90.2% and are compared with works that use the same database.

Keywords— Assistive Robotics, EMG, Pattern Recognition.

Resumo— A robotica assistiva representa um importante papel social. As contribuicoes estao presentes emdiferentes areas: do aumento da produtividade ate ao auxılio de portadores de necessidades especiais. No campoda inclusao social, metodos de capturas e reconhecimento de movimentos sao propostos para a utilizacao emproteses de membros. Nesse ambito, a partir de um banco de dados de movimentos dos musculos do ante bracohumano, o presente artigo abordara a identificacao de seis movimentos distintos. Sera explanado a extracao deparametros por densidade espectral de potencia e a classificacao dos sinais pelo algoritmo dos K vizinhos maisproximos (Knn). Os resultados, validados de maneira recursiva, atingem o ındice medio de acerto de 90,2% esao comparados com trabalhos que utilizam do mesmo banco de dados.

Palavras-chave— Robotica Assistiva, EMG, Reconhecimento de padroes.

1 Introducao

O desenvolvimento da robotica assistiva, impulsi-onada pelos avancos da tecnologia moderna, temcomo principal objetivo auxiliar o homem na re-alizacao de tarefas. Focos de pesquisas na areaassistiva visam o aumento da produtividade e re-ducao de custos. No ambito social, esse tipo detecnologia contribui para atuacoes medicas e deinclusao social para portadores de necessidades es-peciais (Abdalla et al., 2013).

A uniao de pesquisas envolvendo engenhariae medicina possibilitam, atraves da robotica assis-tiva, o desenvolvimento de tecnicas e meios quepermitem aos portadores de deficiencia motorasmaior autonomia. Assim, contribui-se para o au-mento da qualidade de vida dessas pessoas, alemde expandir a sua insercao na sociedade (Simoes,2008). Como exemplo tem-se a pesquisa desen-volvida em (Nascimento, 2015). Essa pesquisapropoem cadeiras de rodas que aumentam a au-tonomia do debilitado garantindo a seguranca, oconforto e a previsibilidade. Aprofundando aindamais as pesquisas, os autores trabalham no con-trole de uma cadeira de rodas via movimentos faci-ais. Ja nas cirurgias operadas por robo, a roboticase une a medicina propiciando maior confiabili-dade ao paciente. Segundo (Abdalla et al., 2013),as cirurgias realizadas no abdomen com o auxı-lio robotico foram realizadas com sucesso nos ca-

sos relatados. Ressalta-se tambem o sangramentodesprezıvel durante o procedimento cirurgico e amaior ergonomia aos cirurgioes.

As tecnologias assistivas dependem inicial-mente da aquisicao e identificacao de dados pro-vindos do usuario. Essa interacao pode ser re-alizada por uma simples interface ou por senso-res acoplados ao corpo, de forma invasiva ou nao.Exemplos de sensores nao invasivos sao os aloca-dos sobre a superfıcie da pele. A tıtulo de exem-plificacao, tres classes desses tipos de sensores sao:o eletromiograma (EMG), o Eletroencefalograma(EEG) e o Eletro-oculograma (EOG). O Eletro-miograma (EMG) corresponde ao sinais captadosdos musculos (de Castro, 2011), o Eletroencefalo-grama (EEG) expoem os sinais obtidos pelo cere-bro (Xiao and Yan, 2010) e o Eletro-oculograma(EOG) o sinal dado pelo movimento do olho hu-mano (Rakshit et al., 2016).

1.1 Objetivos e Contribuicao

No ambito da robotica assistiva, o presente ar-tigo ira apresentar um estudo preliminar, poissera apresentado um meio alternativo de reconhe-cimento de movimentos realizados pelo braco hu-mano. Esse reconhecimento torna-se importantepara a utilizacao de proteses. Visa-se o reconhe-cimento de 6 movimentos distintos. Parte-se doprincıpio que o movimento e realizado sem que

XIII Simposio Brasileiro de Automacao Inteligente

Porto Alegre – RS, 1o – 4 de Outubro de 2017

ISSN 2175 8905 1132

haja a necessidade de analisar se o movimentoexiste ou nao. Os sinais sao amostrados por umsensor EMG. A selecao de parametros propostase realizada pela analise de densidade espectral depotencia (DEP) do sinal. Em adicao, a classifica-cao e realizada pelo classificador por vizinhos maisproximos.

Dividido em capıtulos e secoes, o trabalho estaorganizado como se segue. Ainda no Capıtulo 1,sao apresentados os trabalhos correlacionados naaquisicao de dados e classificacao. No Capıtulo 2e explanado as principais caracterısticas do bancode dados em estudo. Nesse Capıtulo tambem saoabordados as etapas de desenvolvimento de umalgoritmo de reconhecimento de padroes: a extra-cao de caracterısticas, a selecao dos parametros eo desenvolvimento do classificador. Por fim, Ca-pıtulos 3 e 4, sao apresentados os resultados e aconclusao.

1.2 Trabalho Correlacionados

Os diversos sinais existentes no corpo humano po-dem ser captados a partir de sensores alocados nasuperfıcie da pele. Como exemplo tem-se o Ele-troencefalograma (EEG), que consiste em captaros sinais de impulsos nervosos provindos do ce-rebro. Em (Xiao and Yan, 2010), os autores pro-poem a identificacao das partes do cerebro que saoresponsaveis por um objetivo pre-definido. Outromodelo de sensoriamento superficial da pele e oEletro-oculograma (EOG), sinal dado pelo movi-mento do olho humano. Exemplo desse sensoria-mento e abordado em (Rakshit et al., 2016), cujaproposta e a aplicacao da comunicacao a partir dedıgitos numericos.

Ja o Eletromiograma (EMG) e responsavelpela amostragem de sinais provindos dos muscu-los. A sua utilizacao e recorrente para identifica-cao da movimentacao de membros. Em (de Cas-tro, 2011), esse sensor e acoplado ao bıceps eao trıceps braquiais na identificacao do anguloque o cotovelo esta submetido. Ja os autoresde (Leonardis et al., 2015) propoem o reconhe-cimento desses sinais para o treinamento bilateralde uma mao robotica. Uma rede neural artificial eusada para a determinacao da pressao necessariapara execucao do movimento de aperto da mao.Ja em (Lenzi et al., 2012), o sinal EMG e utili-zado para estimativa de torque necessario para omovimento de um exoesqueleto.

Utilizando dados de EMG, os autoresde (Sapsanis, Georgoulas and Tzes, 2013) e(Sapsanis, Georgoulas, Tzes and Lymberopou-los, 2013) propoem o uso do Empirical Mode De-composition, ou EMD, para decomposicao do sinalnao linear em diferentes IMFs, ou Intrinsic ModeFunctions. Assim, retira-se as caracterısticas des-ses sinais para que, posteriormente, esses dadossejam aplicados a classificadores lineares conven-

cionais. Ja os autores de (Amanda et al., 2016),apos um pre-processamento por filtro de varian-cias, realizam a classificacao de movimentos capta-dos por EMG utilizando um classificador de Sup-port Vector Machine, ou SVM (Theodoridis andKoutroumbas, 2008). Contudo, esse tipo de abor-dagem possui o reves da complexidade computa-cional do algoritmo classificador implementado.

2 Descricao do sistema

O desenvolvimento de classificadores possuem eta-pas, sendo essas o sensoriamento, extracao de ca-racterısticas, selecao de parametros, classificacao evalidacao (Theodoridis and Koutroumbas, 2008).Cada uma dessas etapas sao abordadas na pre-sente secao para a classificacao proposta.

Os dados que sao submetidos a testes nestetrabalho estao presentes em um banco de dadospublicos que foram disponibilizados pelos autoresde (Sapsanis, Georgoulas and Tzes, 2013). A tec-nica empregada e abordada na Secao 2.1. Paraextracao de parametros, adota-se a analise de es-pectrograma do sinal por densidade espectral depotencia (Secao 2.2). O classificador adotado e oK vizinhos mais proximos (Secao 2.3). A valida-cao dos resultados consiste na separacao de umaparte das amostras para que, posteriormente, se-jam aplicadas ao classificador.

2.1 Sensoriamento e extracao das caracterısticas

O banco de dados e constituıdo com sinais referen-tes a seis tipos distintos de movimentos da maohumana. Esses movimentos, juntamente com anomeclatura utilizada e apresentada na Figura 1.

Figura 1: Movimentos captados. Adaptado de(Sapsanis, Georgoulas and Tzes)1.

Cada um dos movimentos foram realizadospor um voluntario durante 6 segundos. Realizou-se 30 repeticoes para cada um dos movimentos emum total de 5 voluntarios.

Os movimentos Gorjeta, Cilındrico e Esfericoconsistem em segurar objetos e ferramentas pe-quenas, cilındricas e esfericas respectivamente. Jao movimento Lateral segura objetos finos e planos,enquanto o Palmar e o responsavel por segurar fer-ramentas de maneira que a face da palma da mao

XIII Simposio Brasileiro de Automacao Inteligente

Porto Alegre – RS, 1o – 4 de Outubro de 2017

1133

aponte para o objeto. Por fim, o Gancho tem oobjetivo de segurar objetos pesados.

De acordo com (Sapsanis, Georgoulas andTzes, 2013), a extracao dessas caracterısticas e re-alizada por eletrodos de EMG superficiais. Esseseletrodos sao fixadas ao ante braco do colabora-dor, sobre os musculos flexor ulnar do carpo e ex-tensor radial curto do carpo.

O pre-processamento dos dados, realizado nopresente artigo, e executado sobre o software Ma-tlab, com uma taxa de amostragem de 500 Hz.Desta maneira, cada um dos movimentos possuem3000 amostras. Os sinais sao filtrados por um fil-tro rejeita faixa com frequencia central de 50 Hz eseus multiplos inteiros ate a frequencia de 250 Hz.O objetivo dessa filtragem e que frequencias relaci-onadas a rede eletrica local nao sejam processadas.E retirado tambem a componente DC dos sinais.Os filtros utilizados sao to tipo Butterworth. Essefiltro nao apresenta ripple na banda passante, logonao interfere nas caracterısticas dos sinais a seremclassificados.

2.2 Selecao de Parametros

Para a selecao de parametros do trabalho pro-posto, inicialmente determina-se a analise diretados sinais, Figura 2. Todavia, esses sinais naoapresentam nenhuma caracterıstica que os diferen-ciem nesse nıvel de analise.

Figura 2: Sinal obtido para o movimento 6.

Como alternativa, torna-se interessante a ana-lise de caracterısticas no domınio da frequencia.Contudo, como ilustrado na Figura 2, os sinais naosao estacionarios, tornando-se um empecilho paraa analise simplificada da transformada de Fourier.Assim, visando contornar esse problema, a tecnicade analise DEP (Densidade Espectral de Poten-cia) aplicadas em janelas ao longo do sinal e umaopcao valida (Paulo Henrique Marchetti, 2006).Cada janela possui sobreposicao, reduzindo o erroinerente a analise FFT aplicada sobre um sinalnao estacionario. A Figura 3 ilustra exemplos deespectrogramas aplicados a cada sinal referente aum evento de um movimento realizado por um vo-luntario. Sao utilizados janelas de 1000 amostrascom sobreposicao de 500 amostras.

Baseado nos espectrogramas, e possıvel infe-rir propriedades visuais presentes em cada movi-mento, diferenciando-os. Essas caracterısticas se

(a) Movimento 1.

(b) Movimento 2.

8

(c) Movimento 3.

(d) Movimento 4.

(e) Movimento 5.

(f) Movimento 6.

Figura 3: Espectrogramas de um evento para cadamovimento.

repetem ao longo de movimentos de amostras dis-tintas. Elas sao relativas a faixas de potencia aolongo do tempo dado uma frequencia de interesse.Por exemplo, o movimento 1 apresenta baixa den-sidade de potencia e o movimento 3 ja e mais ener-

XIII Simposio Brasileiro de Automacao Inteligente

Porto Alegre – RS, 1o – 4 de Outubro de 2017

1134

getico ao longo do tempo em diversas frequencias.Movimentos como o 5 e o 6 se diferenciam nasregioes e frequencias em que potencias sao maisintensas e fracas.

Com a motivacao do aspecto visual dos es-pectrogramas, propoem-se a acumulacao das po-tencias ao longo do tempo dado uma frequencia.Cada frequencia e escolhida de acordo a caracteri-zar os sinais, sendo aplicado a todos. Vale ressal-tar que mesmo filtrado, as frequencias de 50 Hz esuas harmonicas nao sao escolhidas como frequen-cia de interesse, ja que a atenuacao do filtro po-dera interferir no reconhecimento do algoritmo declassificacao.

2.3 Classificacao

Como citado na Secao 2.2, a analise da DEP emjanelas permitiu a evidencia de determinados pa-droes possıveis de distinguir. Como ja dito, essespadroes sao extraıdos acumulando-se ao longo dotempo toda potencia da frequencia de interesse.Logo as frequencias de interesse tornam-se as di-mensoes do problema. Com os parametros extraı-dos, aborda-se o desenvolvimento do classificador.A tecnica de classificacao por K vizinhos mais pro-ximos com KD-Tree e a adotada no presente ar-tigo.

O metodo de busca por K vizinhos mais pro-ximos, ou Knn, e um metodo de classificacao quebaseia-se nas seguintes regras:

� Determina-se o numero K de vizinhos. Pre-ferencialmente ımpar;

� Calcula-se a distancia do ponto aos K vizi-nhos do conjunto de treinamento;

� Retira-se os pontos com as K menores distan-cias

� O ponto de teste e classificado de acordo como grupo de maior incidencia sobre os K sele-cionados;

A Figura 4 ilustra esse metodo para K=3.Nessa figura, o ponto “*” e classificado como “∎ ”devido a maioria de “∎ ” proximos. As distanciasde Mahalanobis ou Euclidiana podem ser adota-das para a execucao do metodo (Theodoridis andKoutroumbas, 2008). Ambas representadas pelasEquacoes 1 e Equacao 2. Nessas equacoes, x, µi e

∑i representam o ponto que deseja-se reconhecer,o valor medio do grupo i e a matriz de covarianciados grupos, respectivamente.

dMahalanobis =√((x − µi)T∑−1

i(x − µi)) (1)

deuclidiana = ∣∣x − µi∣∣ (2)

Figura 4: Algoritmo Knn com K=3.

O metodo Knn pode ser considerado um clas-sificador nao-linear (Theodoridis and Koutroum-bas, 2008), e apresentara melhores resultadosquanto mais dados possuir e quanto maior for adensidade dos dados. Contudo, deve-se existir umcompromisso entre a precisao e a complexidadecomputacional.

Devido a caracterıstica do algoritmo, a vi-abilidade do metodo e comprometida devido aoseu custo computacional elevado. Esse custo erelacionado ao tamanho dos conjuntos de trei-namento e dimensionalidade do problema. Vi-sando contornar essa situacao, diversas tecnicassao empregadas, como as discutidas em (Alippiet al., 2006). Uma tecnica alternativa e asso-ciada ao Knn, denominada KD-Tree (Bergmannand Tartakovski, 2009). O KD-Tree e um me-todo que consiste em dividir os conjuntos em sub-regioes, ou hipercubos com faces paralelas aos ei-xos de coordenadas dos dados (Bergmann andTartakovski, 2009). Desta forma, essas regioesproporcionam uma busca focada com menos dadospara o algoritmo Knn, Figura 5a. Um exemplo dometodo e elucidado na Figura 5.

(a) Busca do Kd-Tree (b) Arvoreamento

Figura 5: Metodo KD-Tree.

3 Resultados

A etapa de validacao sera apresentada nesta se-cao. Sao abordados as analises utilizando o classi-ficador por K vizinhos mais proximo com K iguala 1, 3 e 5. Nas simulacoes foram utilizadas, demaneira recursiva, 18 e 12 dados de cada movi-mento para treinamento e testes, respectivamente.Desta forma os conjuntos de treinamento e testesresultam-se a um total de 108 e 72 amostras.

Os resultados das Tabelas 1, 2 e 3 correspon-dem as medias de acerto para cada um dos indivı-duos submetidos ao teste. Ao todo sao realizados

XIII Simposio Brasileiro de Automacao Inteligente

Porto Alegre – RS, 1o – 4 de Outubro de 2017

1135

3000 testes variando aleatoriamente o conjunto detreinamento e teste.

Tabela 1: Resultados obtidos para K = 1.

IndivıduoM.1(%)

M.2(%)

M.3(%)

M.4(%)

M.5(%)

M.6(%)

Indivıduo 1 100 99 97 82 86 98Indivıduo 2 100 79 93 98 69 70Indivıduo 3 98 88 91 92 87 87Indivıduo 4 100 89 87 99 85 82Indivıduo 5 91 96 97 81 89 98

Tabela 2: Resultados obtidos para K = 3.

IndivıduoM.1(%)

M.2(%)

M.3(%)

M.4(%)

M.5(%)

M.6(%)

Indivıduo 1 70 95 94 70 63 96Indivıduo 2 84 82 94 90 53 42Indivıduo 3 87 81 88 90 73 80Indivıduo 4 52 82 78 99 55 61Indivıduo 5 89 94 95 74 81 95

Tabela 3: Resultados obtidos para K = 5.

IndivıduoM.1(%)

M.2(%)

M.3(%)

M.4(%)

M.5(%)

M.6(%)

Indivıduo 1 64 92 94 75 60 94Indivıduo 2 84 77 93 89 58 33Indivıduo 3 87 77 85 90 68 75Indivıduo 4 41 83 76 99 53 53Indivıduo 5 90 92 94 72 78 91

Os resultados medios finais para cada um dosvoluntarios estao presentes na Tabela 4. E pos-sıvel observar que os melhores resultados foramobtidos para K = 1, isto e, quando apenas umvizinho era levado em consideracao nas compara-coes. A densidade de pontos do conjunto de trei-namento e pequena devido ao numero reduzido deamostras do banco de dados, e assim, o aumentodo parametro K nao resulta em melhoria nos re-sultados obtidos, como o discutido na Secao 2.3.

Tabela 4: Indices de acerto medio.

K = 1 3 5Indivıduo 1 93% 81% 80%Indivıduo 2 85% 74% 72%Indivıduo 3 91% 83% 80%Indivıduo 4 90% 71% 68%Indivıduo 5 92% 89% 86%

Os histogramas contendo os ındices de acertonas classificacoes para cada voluntario sao expos-tos na Figura 6.

Comparando o melhor resultado obtido poreste trabalho (K=1) com os alcancados pelosautores do banco de dados (Sapsanis, Georgou-las, Tzes and Lymberopoulos, 2013), percebe-seque somente o Indivıduo 2 obteve uma quanti-dade de acertos inferior. Outro artigo compara-tivo, (Amanda et al., 2016), apresentou desempe-nho inferior em comparacao as taxas de acertosapresentadas no presente trabalho, vide Tabela 5.

(a) Indivıduo 1.

(b) Indivıduo 2.

(c) Indivıduo 3.

(d) Indivıduo 4.

(e) Indivıduo 5.

Figura 6: Histograma dos acertos medios paracada um dos voluntarios.

Tabela 5: Indices de Acertos.

Trabalho Indices de AcertosPresente Artigo 90.2%(Sapsanis et al., 2013) 89.2%(Amanda et al., 2016) 82.4%

4 Conclusoes

Os resultados alcancados com a estrategia de ex-tracao de parametros via DEP em janelas foi acei-tavel. Inclusive, essa abordagem permitiu o me-lhor desempenho com numero K reduzido (K=1).

XIII Simposio Brasileiro de Automacao Inteligente

Porto Alegre – RS, 1o – 4 de Outubro de 2017

1136

Esta avaliacao esta de acordo com (Manfredoet al., 2014). Em (Manfredo et al., 2014) classifi-cacoes satisfatorias possuem ındices de acertos de80% a 90%. Outro ponto importante e a melhoriados resultados em comparacao a outras publica-coes que utilizaram do mesmo banco de dados,conforme a Tabela 5.

A melhor e a pior classificacao sao refentesao individuo 1 e 2 respectivamente. Ja em rela-cao aos movimentos, percebe-se a maior facilidadede classificar os movimentos do tipo Gorjeta, en-quanto que os piores foram os Palmar. Estes re-sultados podem ser alterados caso as frequenciasde interesse sejam modificadas e nao seja adotadaapenas um criterio visual. Vale ressaltar que pou-cas informacoes relacionadas ao banco de dados fo-ram expostas por (Sapsanis, Georgoulas, Tzes andLymberopoulos, 2013). Sabe-se que para uma me-lhor equidade dos dados os mesmos procedimentosdeverao ser tomados em todos os indivıduos.

Para trabalhos futuros, visa-se o projetode um algoritmo inteligente que determine asfrequencias de interesse que discriminam um mo-vimento em detrimento de outros de maneira efici-ente, e nao apenas por uma abordagem visual. Oalgoritmo tambem devera ser capaz de encontrara melhor janela e sobreposicao na tecnica DEP.Outro foco e a concepcao de um banco de dadosproprio onde um estudo mais aprofundado do pro-tocolo de aquisicao possa ser efetuado afim de me-lhorar as classificacoes futuras.

Agradecimentos

Os autores agradecem ao suporte da CAPES,CNPq, FAPEMIG, UFJF, PPEE, ANEEL e CTGpara execucao deste trabalho.

Referencias

Abdalla, R. Z., Averbach, M., Junior, U. R., Ma-chado, M. and Luca-Filho, C. D. (2013). Ci-rurgia abdominal por robotica: Experienciabrasileira inicial.

Alippi, C., Pelosi, G. and Roveri, M. (2006).Computational intelligence techniques to de-tect toxic gas presence, 2006 IEEE Interna-tional Conference on Computational Intelli-gence for Measurement Systems and Applica-tions, IEEE, pp. 40–44.

Amanda, F., Kessia, K., Danel, C. and Flavio, G.(2016). Sinais de SEMG aplicados na classifi-cacao de movimentos de membros superiores.

Bergmann, R. and Tartakovski, A. (2009). Im-proving kd-tree based retrieval for attributedependent generalized cases., FLAIRS Con-ference.

de Castro, M. C. F. (2011). Statistical appro-ach for angular position separability classesof emg data.

Lenzi, T., De Rossi, S. M. M., Vitiello, N.and Carrozza, M. C. (2012). Intention-based emg control for powered exoskeletons,IEEE transactions on biomedical engineering59(8): 2180–2190.

Leonardis, D., Barsotti, M., Loconsole, C., So-lazzi, M., Troncossi, M., Mazzotti, C., Cas-telli, V. P., Procopio, C., Lamola, G., Chi-sari, C. et al. (2015). An emg-controlled robo-tic hand exoskeleton for bilateral rehabilita-tion, IEEE transactions on haptics 8(2): 140–151.

Manfredo, A., Arjan, G., Claudio, Ctelliniand Br-bara, C., Anne-Gabrielle, M. H., Smone,E., Giorgio, G., Bassetto, F. and Hen-ning, M. (2014). Electromyography datafor non-invasive naturally-controlled robotichand prostheses, Nature.

Nascimento, Amadeu Junior, C. E. (2015). Mo-delagem e parametrizacao de uma cadeira derodas robotizada.

Paulo Henrique Marchetti, M. D. (2006). Instru-mentacao em eletromiografia.

Rakshit, A., Banerjee, A. and Tibarewala, D. N.(2016). Electro-oculogram based digit recog-nition to design assitive communication sys-tem for speech disabled patients.

Sapsanis, C., Georgoulas, G. and Tzes, A.(2013). Emg based classification of basichand movements based on time-frequency fe-atures, Control & Automation (MED), 201321st Mediterranean Conference on, IEEE,pp. 716–722.

Sapsanis, C., Georgoulas, G., Tzes, A. and Lym-beropoulos, D. (2013). Improving emg ba-sed classification of basic hand movementsusing emd, Engineering in Medicine and Bio-logy Society (EMBC), 2013 35th Annual In-ternational Conference of the IEEE, IEEE,pp. 5754–5757.

Simoes, C. A. (2008). Reabilitacao de Criancas

com Deficencia Motora pelo Sistema Unicode Saude na Bahia: Desafios e Perspectivas,Master’s thesis, Polıticas Sociais e Cidadania,Universidade Catolica do Salvador (UCSal).

Theodoridis, S. and Koutroumbas, K. (2008). Pat-tern Recognition, Fourth Edition, 4th edn,Academic Press.

Xiao, G. and Yan, W. (2010). Achieve single-channel bci:the choice of electrode positionand signal characteristics.

XIII Simposio Brasileiro de Automacao Inteligente

Porto Alegre – RS, 1o – 4 de Outubro de 2017

1137