Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

Transcrição

1 Anais do XIX Congresso Brasileiro de Automática, CBA INVESTIGAÇÃO DA ATENÇÃO SELETIVA AUDITIVA USANDO MÁQUINAS DE VETOR DE SUPORTE E REDES NEURAIS ARTIFICIAIS. MATHEUS J. S. PEDROSA, DIEGO M. DOURADO, LEONARDO B. FELIX Núcleo Interdisciplinar de Análise de Sinais, Departamento de Engenharia Elétrica, Universidade Federal de Viçosa, Av. Peter Henry Rolfs s/n Campus Universitário, CEP , Viçosa, MG s: matheus.pedrosa@ufv.br, diego.dourado@ufv.br, leobonato@ufv.br Abstract The auditory selective attention is a brain s ability to select relevant information and ignore irrelevant information, where the selected information seemed sharper, more intense. The greater clarity of information is due to the evoked responses, which arise from the electrical activity found in the brain, where they will allow the processing of auditory pattern classification and thus would be possible to the develop a computer-brain interface (ICC) the which explore the effects of attention on steadystate evoked responses. The approach to classification was done using two different methods and they were the support Vector Machine (SVM) and Artificial Neural Network (RNA). Forty different classes have been proposed because of the possible combinations between the number of principal components and the order of the autoregressive model, where 77, 5% of these classes, the RNA obtained the maximum hit rate, against 67, 5% by the SVM, thus showing that RNA have the ability to generalization and consequently in this situation is the best classifier being used. However a perfect development of techniques like this can lead to the development of ICC that would allow a person to control a computer using only their brain waves. Keywords EEG, SVM, selective auditory attention, auditory steady-state response, RNA. Resumo A atenção seletiva auditiva é uma capacidade do cérebro de selecionar informações importantes e ignorar informações irrelevantes, onde as informações selecionadas pareceram mais nítidas. A maior nitidez das informações é devido às respostas evocadas, as quais surgem a partir das atividades elétricas encontradas no cérebro, onde o processamento das mesmas permitira a classificação de padrões auditivos e assim seria possível o desenvolvimento de uma interface cérebro-computador (ICC) a qual explorasse os efeitos da atenção nas respostas evocadas em regime permanente. A abordagem para classificação foi feita utilizando-se de dois métodos distintos sendo eles a Máquina de Vetores de Suporte (SVM) e a Rede Neural Artificial (RNA). Foram propostas quarenta classes diferentes devido às possíveis combinações entre o número de componentes e a ordem do modelo autoregressivo, onde em 77,5% dessas classes, a RNA obteve a taxa de acerto máximo, contra 67,5% por parte do SVM, evidenciando assim que a RNA possuem maior capacidade de generalização e consequentemente nessa situação representa o melhor classificador a ser usado. Contudo um perfeito desenvolvimento de técnicas como essa pode levar ao desenvolvimento de ICC que permitiriam que uma pessoa controlasse um computador apenas usando as suas ondas cerebrais. Palavras-chave EEG, SVM, atenção seletiva auditiva, resposta evocada em regime permanente, RNA. 1 Introdução As atividades elétricas encontradas no cérebro são uma consequência do fluxo de correntes iônicas desencadeadas por potenciais de ação, em função de estímulos sensoriais, execução de tarefas, pensamentos etc. Ao registro eletrográfico de atividades cerebrais no escalpo dá-se o nome de eletroencefalograma (EEG). São de especial interesse os sinais de EEG coletados concomitantemente à apresentação de estímulos sensoriais, pois tais sinais carregam informações acerca da via neural e dos núcleos cerebrais ativados no processamento da informação sensorial este potencial elétrico relacionado a eventos é conhecido como resposta evocada (RE). As REs são usadas de várias formas na clínica médica, por exemplo: audiometria usando respostas auditivas em regime permanente (ASSRs, do inglês auditory steady-state response). Uma ASSR ocorre quando um som é apresentado a uma taxa suficientemente elevada, de modo que a resposta a qualquer som sobreponha-se à resposta ao som anterior (Dimitrijevic, et al., 2002). A audição seletiva, isto é, focando atenção em um estímulo dentre dois, causa uma alteração quanti- ficável na resposta medida. Desta forma, a implementação de um sistema de interface cérebrocomputador (ICC) auditiva poderia ser alcançada através da apresentação de sons diferentes ao indivíduo e coleta de sinais EEG (Hillyard, et al., 1973). O problema de classificação de padrões pode ser resolvido utilizando Máquina de Vetores de Suporte (SVM, do inglês support vector machines) a qual é fundamentada na Teoria da Aprendizagem Estatística (Vapnik, 1995). Ou por Rede Neural Artificial (RNA), onde sua estrutura foi desenvolvida a partir de modelos conhecidos de sistemas nervosos biológicos e do próprio cérebro humano (Silva, et al., 2010). O objetivo foi desenvolver um sistema de ICC explorando os efeitos de atenção nas ASSRs no qual o usuário faça escolhas binárias. Este sistema fará a classificação de sinais EEG registrados em resposta a dois estímulos auditivos simultâneos. Para comunicar a decisão, o indivíduo deverá focar atenção em um dos dois estímulos auditivos apresentados. Estes sinais seriam aplicados a um algoritmo de classificação e detecção de respostas utilizando os classificadores SVM e RNA, assim, será possível concluir qual estímulo o indivíduo focou atenção e, consequentemente, qual a informação ele desejaria passar. 1371

2 Obtidos os resultados de cada classificador, será possível comparar seus desempenhos. 2 Materiais e Métodos Para facilitar a compreensão das etapas realizadas elaborou-se um fluxograma ilustrado na Figura 1, demostrando os passos realizados. Sequencialmente irá se abordar mais a fundo cada etapa introduzindo os conceitos utilizados em cada uma delas. para que a intensidade sonora de cada tom AM fosse de 75 db SPL. Todos os experimentos de estimulação sonora foram realizados no interior de uma cabine audiométrica, com isolamento acústico, a fim de evitar a interferência por ruídos externos Fones de Ouvido Foi utilizado o fone de inserção E-A-RTone 5A da Aero Technologies que é um dispositivo muito empregado em testes de audiometria. Consiste de um transdutor acústico que é introduzido no canal auditivo por meio de um tubo plástico flexível, com plugue de terminação macia, como mostra a Figura 2. Figura 2. Fone de inserção E-A-RTone 5A (AEARO, 2010). Os níveis de tensão elétrica para calibração do fone, de acordo com o nível e intensidade sonora desejada, foram fornecidos pelo NEPEB (Núcleo de Estudos e Pesquisas em Engenharia Biomédica da UFMG), onde foi feita a calibração do equipamento utilizando um ouvido artificial acoplado a um medidor de níveis sonoros. 2.1 Estímulos Figura 1. Fluxograma das etapas A estimulação foi aplicada por meio de sons modulados em amplitude (AM), gerados de acordo com a equação 3 (John, et al., 1998). f c f m c( t) A sen(2 t) (1) m( t) 1 a 0.5 (cos(2 t) 1) (2) s( t) c( t) m( t) (3) Onde fc é a frequência portadora, a é a profundidade de modulação, A é a amplitude máxima do sinal e fm é a frequência moduladora. Os estímulos foram gerados digitalmente, utilizando Matlab, com uma frequência de amostragem de Hz. Neste trabalho, utilizou-se uma profundidade de modulação de 100%, pois segundo (John, et al., 2000) esse valor evoca a ASSR de maior amplitude. A amplitude máxima (A) foi ajustada Protocolo da Estimulação Para o estudo do efeito da atenção nas ASSR o protocolo de estimulação foi composto por três etapas de estimulação binaural, onde foram gerados tons AM com os parâmetros de estimulação mostrados na Tabela 1. Esses parâmetros foram definidos a fim de provocar a redução do espalhamento espectral, para isso foi utilizado o método de correção da frequência de estimulação aplicado a priori. (Felix, et al., 2006) utilizaram a técnica proposta em simulações e dados experimentais, para mostrar que o vazamento espectral na detecção objetiva das ASSRs pode ser evitado através do ajuste da frequência de modulação do estímulo, de tal forma que cada janela de dados contenha número primo de ciclos do sinal, ou seja, frequência do estímulo é ajustada para garantir um número primo de oscilações em um trecho de comprimento fixo. Tabela 1. Parâmetros de estimulação AM Orelha Moduladora (Hz) Portadora (Hz) Esquerda 31, Direita 39,

3 Os estímulos foram executados na faixa de 30 a 40Hz, pois nestas frequências as ASSR apresentam as maiores respostas, além de serem mais influenciadas pelo estado de atenção (John, et al., 1998); (Linden, et al., 1985); (Ross, et al., 2003). As etapas de estimulação binaural foram: Atenção ao estímulo da esquerda: os voluntários foram instruídos a focar a atenção no estímulo da esquerda e desprezar o estímulo da orelha direita. Atenção ao estímulo da direita: os voluntários foram orientados a focar a atenção no estímulo da direita e desprezar o estímulo da orelha esquerda. Durante as etapas de estimulação os voluntários foram orientados a manter os olhos fechados, a fim de facilitar a concentração e evitar artefatos oculares (Kim, et al., 2011). Cada etapa de estimulação teve dois minutos e intervalos entre estimulação de trinta segundos. Antes de cada etapa na qual o individuo tivesse que focar a atenção em um determinado estímulo, era estimada apenas a orelha (monoaural) no lado do foco de atenção durante dez segundos, a fim de instruir e facilitar o individuo na tarefa cognitiva. Tais etapas foram realizadas com quatorze indivíduos diferentes. A evolução das etapas de estimulação é ilustrada na Figura 3. Figura 3. Linha do tempo para os estímulos auditivos. Estímulo da orelha esquerda (superior) e orelha direita (inferior), com frequência das portadoras de 500Hz e 2000Hz, respectivamente. 2.2 Aquisição de sinais Para coletar os sinais de EEG foi utilizado o Sistema Internacional Conforme pode ser visto na Figura 4, este sistema padroniza o posicionamento dos eletrodos que são aderidos no escalpo de cada paciente e a designação de cada eletrodo. Figura 4. Sistema internacional modificado de (10212). O posicionamento dos eletrodos utiliza a relação de 10 ou 20% da distância total entre os marcos anatômicos da cabeça (nasal, na frente da cabeça; protuberância occipital, na parte de trás da cabeça; pontos pré-auriculares, nas laterais esquerdas e direitas da cabeça), como pontos de referência e permitindo assim uma cobertura mais uniforme possível de todas as regiões superficiais do cérebro. Os sinais foram coletados usando o amplificador de sinais biológicos (BrainNet BNT-36), com filtro passa-alta e passabaixa de 0,1 e 100 Hz, respectivamente, e frequência de amostragem de 601,5 Hz. Foram utilizados todos os canais do Sistema Internacional com referência biauricular, coletou-se exames em três situações distintas, sendo primeiramente a situação sem foco de atenção, foco no estimulo esquerdo e por fim foco no estimulo direito. Foram utilizados pontos de cada canal para treinar os classificadores. 2.3 Processamento do sinal Primeiramente é feito um pré-processamento no domínio do tempo, que consiste na sincronização dos sinais de EEG com os instantes do estimulo. Esta sincronia é feita a partir do sinal de Trigger, enviado ao eletroencefalógrafo no instante em que o estímulo é aplicado ao voluntário. Posteriormente os sinais são condicionados a processos de filtragem e remoção de artefatos. A cada trecho adquirido será aplicado um filtro passafaixa, observando a frequência da moduladora, bem como um filtro rejeita-faixa de 60 Hz, para remover a componente espectral da rede elétrica, que geralmente apresenta elevado nível de potência (Ranaudo, 2012). Para a rejeição de artefatos foram estudadas técnicas para descartar trechos de sinais coletados que contenham variações elevadas na amplitude do sinal em curto intervalo de tempo. Subsequentemente a rejeição de artefatos fez-se uma etapa de subtração dos sinais, onde se tomou como referência a situação em que o paciente não estivesse focando a atenção a qualquer estimulo. 2.4 Redução de dimensionalidade Sequencialmente fez-se à redução da quantidade de dados, sem perdas significativas no conteúdo das informações. Assim o primeiro método utilizado foi à análise dos componentes ACP ou PCA (do inglês Principal Component Analysis) é um método que tem por finalidade básica, a análise dos dados usados visando sua redução, eliminação de sobreposições e a escolha das formas mais representativas dos mesmos a partir de combinações lineares das variáveis originais. Dessa forma, utilizaram-se as quatro primeiras componentes, onde se encontram aproximadamente 95% das informações como mostra a Figura 5, a qual representa a média das variâncias por componente e a variância acumulada. 1373

4 Onde c(.) é a função de custo relacionada à previsão f(x i ) com saída y i (Carvalho, et al., 2003). Sobre a hipótese de que os padrões de treinamento (x i, y i ) são gerados por uma distribuição de probabilidade P(x i, y i ) em N { 1, 1 sendo P desconhecido. A probabilidade de classificação incorreta do classificador f é denominada de Risco Fundamental que quantifica a capacidade de generalização, conforme é mostrada na equação 6 (Smola, 1999). R f ) c( f ( x ), y ) dp( x, y ) (6) ( i i i i Figura 5. Gráfico da variância por componente principal e da variância acumulada. 2.5 Extração de características A outra ferramenta usada foi a modelagem matemática precisamente o uso do modelo autoregressivo (AR, do inglês autoregressive) o qual é um modelo estocástico e é útil na representação de um grande número de séries temporais. O modelo AR corresponde a um filtro que tem como entrada o ruído branco de média zero e desvio padrão um e como saída o sinal desejado (Rodrigues, 2009). O valor corrente do processo é expresso como uma combinação linear finita de valores prévios do processo e um ruído aleatório a t. O modelo AR de ordem p pode ser expresso conforme a equação 4. y ( k) a1 y( k 1) a2 y( k 2) ap y( k p) a t (4) Onde os coeficientes a 1, a 2,..., a p descrevem como um valor y(k) relaciona-se com variáveis y(k-1), y(k-2),..., y(k-p). Depois de feita a PCA, aplicou-se o modelo AR no banco de dados, onde ao variar-se sua ordem, obtêm-se polinômios, cujos coeficientes carregam grande parte das informações extraídas. 2.6 Classificação de padrões Serão abordados dois classificadores distintos, SVM e RNA. A Teoria do Aprendizado Estatístico visa estabelecer condições matemáticas que permitem escolher um classificador, com bom desempenho, para o conjunto de dados disponíveis para treinamento e teste. Segundo (Haykin, 2002) o desempenho desejado de um classificador é que o mesmo obtenha o menor erro durante o treinamento, sendo o erro mensurado pelo número de predições incorretas. A equação 5 mostra a equação básica de decisão do SVM sendo um tipo de função de custo sendo denotada por perda 0/1. 1, se yi f ( xi ) 0 c( f ( xi ), yi ) (5) 0, caso contrário A não linearidade representa um problema para o processo de classificação, o SVM não linear realiza uma mudança de dimensionalidade, por meio das funções Kernel, caindo então em um problema de classificação linear. Para resolver tal problema, utilizou-se de uma função Kernel polinomial. Já para Redes Neurais Artificiais, os elementos computacionais ou unidades processadoras, denominadas neurônios artificiais, são modelos bem simplificados dos neurônios biológicos. Os neurônios artificiais utilizados em modelos de redes neurais artificiais são não lineares, fornecem saídas tipicamente contínuas, e realizam funções simples, como coletar os sinais existentes em suas entradas, agregá-los de acordo com sua função operacional e produzir uma resposta, levando em consideração sua função de ativação inerente. Assim, como na Figura 6, verifica-se que o neurônio artificial é constituído de sete elementos básicos (Silva, et al., 2010): Sinais de entrada { x, x2,..., xn Pesos sinápticos { w, w2,..., wn Combinador linear { Limiar de ativação { b k 1 1 Potencial de ativação { v k Função de ativação { Sinal de saída { y k Figura 6. Esquema de um neurônio artificial. Modificado de (Silva, et al., 2010). 1374

5 As equações 7 e 8 sintetizam o resultado produzido pelo neurônio artificial. v k n i 1 y k w x i i b k (7) v ) (8) ( k O funcionamento de um neurônio artificial se da como a apresentação de um conjunto de valores que representam as variáveis de entrada do neurônio. Posteriormente a multiplicação de cada entrada do neurônio pelo seu respectivo peso sináptico e a obtenção do potencial de ativação produzido pela soma ponderada dos sinais de entrada, subtraindo o limiar de ativação. Por fim a aplicação de uma função de ativação apropriada e a compilação da saída a partir da aplicação da função de ativação neural em relação ao seu potencial de ativação (Silva, et al., 2010). Em ambos os classificadores utilizou-se apenas do conjunto de treinamento e do conjunto de validação, sendo 14 exames de indivíduos adultos (todos do sexo masculino) com idade entre 19 e 28 anos, sem sinais de patologias neurológicas. No algoritmo feito em MATLAB fizeram-se testes variando-se o número de PCA (m = 1 até m = 4) como explica o item 2.4 Redução de dimensionalidade, e ao mesmo tempo, variou-se a ordem do modelo AR (n = 1 até n = 10) para extração de características na matriz de dados PCA, utilizando seus coeficientes. O tamanho da entrada de cada classificador foi de 70% dos dados de uma matriz E (m*n) x14 referente a atenção no ouvido esquerdo mais 70% dos dados de uma matriz D (m*n) x14 referente a atenção no ouvido direito. Os 30% dos dados não utilizados destas matrizes serviram para os classificadores no processo de validação. O alvo de cada classificador visa classificar a atenção no ouvido esquerdo e a atenção no ouvido direito, disponível em taxas de acerto percentual como mostram as Tabelas 2, 3, 4 e 5. Durante o treinamento foi realizado o processo de validação cruzada, a qual é uma ferramenta útil para melhorar o processo de aprendizado. O método de validação cruzada utilizado foi o método das k-partições (do inglês k-fold crossvalidation). Realizou-se a divisão do conjunto total de amostras em k partições, o processo de aprendizado se repete k vezes até que todas as partições tenham sido utilizadas como subconjunto de treinamento. O valor do parâmetro k está relacionado à quantidade total de amostras. O desempenho final será agora obtido em função da média entre os desempenhos individuais observados quando da aplicação das k partições. Uma situação proposta seria a de variar o número de canais do EEG, onde poderia ser verificado se durante o processo de aquisição há a coleta de dados irrelevantes para o classificador e qual a consequência de se trabalhar com essa quantidade de dados adicionais, entretanto, sem informação util. A fim de possibilitar meios para comparação com o SVM, adotou-se uma composição de rede simples, feedforward network, cuja função de formação foi baseada na otimização de Levenberg- Marquardt, no qual se fez sucessivas simulações, adotando sempre uma camada neural escondida e variando-se o número de neurônios que a compunham (j = 1 até j = 10), cuja função transferência adotada foi à hiperbólica sigmóide, seguida de uma camada de saída que foi ativada por uma função de transferência linear. Ao decorrer das variadas simulações entre o número m de PCA, número n de coeficientes do modelo AR e o número j de neurônios artificiais, adotou-se uma configuração de RNA onde se observou a estagnação na taxa de acerto e no erro proposto na rede a partir de um número de neurônios na camada escondida (j >= 4). O modelo definido foi uma RNA constituída de quatro neurônios artificiais na camada neural escondida. Depois comparou-se os resultados obtidos em ambos os classificadores a fim de determinar qualquer reconhecimento de padrão em sinais auditivos. 3 Resultados e Discussão O primeiro classificador usado foi o SVM para a situação em que se usaram todos os canais do EEG. Tabela 2 mostra os resultados obtidos após o processo de validação, os valores representam a taxa de acerto percentual no conjunto de validação, para cada composição do SVM. Tabela 2. Taxa de acerto percentual no conjunto de validação na classificação do SVM, com suas respectivas variações do modelo AR nos dados das PCAs, utilizando-se todos os canais do EEG e 30% dos dados para validação. 1ª ª e 2ª ª, 2ª e 3ª ª, 2ª, 3ª e 4ª Sendo possível perceber que apenas o SVM composto por uma componente principal e com um modelo autoregressivo de quinta ordem conseguiu atingir uma taxa de acerto máxima, quanto as demais composições da máquina houve oscilações, ficando concentradas entre 25% a 75% de acerto na validação. Um artificio usado seria a mineração dos dados, ou seja, uma melhoria na qualidade dos dados usados. Para sanar tal necessidade, usou-se de uma préseleção dos canais do EEG usados. De acordo com (Ranaudo, 2012), a combinação que apresentou melhor resposta ao processamento é a composta pelos canais F3, P3, O1, T4, P4, O2 e Fz, sendo assim, esses canais foram adotados no experimento. Utili- 1375

6 zando-se desses canais, realizou-se o mesmo procedimento descrito anteriormente para todos os canais do EEG. Os resultados obtidos são ilustrados na Tabela 3, representando a taxa de acerto percentual no conjunto de validação. Tabela 3. Taxa de acerto percentual no conjunto de validação na classificação do SVM, com suas respectivas variações do modelo AR nos dados das PCAs, utilizando-se os canais F3, P3, O1, T4, P4, O2 e Fz do EEG e 30% dos dados para validação. 1ª ª e 2ª ª, 2ª e 3ª ª, 2ª, 3ª e ª Pela análise da Tabela 3 a partir da seleção dos canais utilizados, verifica-se que a capacidade de classificação do SVM aumentou, mostrando assim um melhor poder de decisão. Uma vez que se observa que em várias combinações da máquina atingiu-se uma taxa de acerto máxima. Em especial destaca-se a configuração em todas as componentes, utilizando um modelo AR de quinta ordem. Para essas situações, em todos os momentos obtiveram-se taxas máximas de acerto. A Tabela 4 ilustra a situação em que se usaram todos os canais do EEG, seguindo os mesmo procedimentos usados durante o SVM, mostrando os resultados obtidos após o processo de validação. Os valores representam a taxa de acerto percentual do conjunto de validação, para cada composição da RNA. Tabela 4. Taxa de acerto percentual no conjunto de validação na classificação da RNA, com suas respectivas variações do modelo AR nos dados das PCAs, utilizando-se todos os canais do EEG e 30% dos dados para validação. 1ª ª e 2ª ª, 2ª e 3ª ª, 2ª, 3ª e 4ª Observando a Tabela 4 foi possível perceber uma maior quantidade de taxas de acerto máximo em relação ao classificador SVM. Assim como no SVM, a taxas de acerto concentraram-se no intervalo entre 25% a 100%. Enquanto que, no SVM houve apenas um acerto máximo na primeira componente principal e com um modelo autoregressivo de quinta ordem, na RNA notou-se uma concentração de acertos máximos nos classificadores compostos por quatro componentes, uma tendência não observada no SVM. Se comparados às composições pontualmente, percebe-se certa superioridade na capacidade de classificação por parte das Redes Neurais. Na segunda análise feita para a RNA, utilizando os canais F3, P3, O1, T4, P4, O2 e Fz do EEG, obtiveram-se os resultados expressos na Tabela 5. Tabela 5. Taxa de acerto percentual no conjunto de validação na classificação da RNA, com suas respectivas variações do modelo AR nos dados das PCAs, utilizando-se os canais F3, P3, O1, T4, P4, O2 e Fz do EEG e 30% dos dados para validação. 1ª ª e 2ª ª, 2ª e 3ª ª, 2ª, 3ª e 4ª A Tabela 5 apresenta algumas particularidades pertinentes para a análise dos resultados. Em primeiro momento nota-se que, para todas as variações do modelo AR, independente do número de componentes, ocorreram casos de acertos máximos. Em especial a configuração com quatro componentes e com modelo AR de ordem dez, ocorreram taxas de acerto percentual de 100% em todos os exames no conjunto de validação, um fato curioso, uma vez que, maior a ordem do modelo AR em todas componentes, com mais informações estaremos trabalhando na matriz de dados dos exames. Revelando assim à verdadeira capacidade de generalização da Rede Neural. Comparativamente percebe-se que nessa situação de mineração dos dados, as RNAs tiveram maior êxito em relação ao SVM devido aos maiores acertos percentuais em dadas configurações, comprovando assim o maior poder de classificação e aprendizado por parte das Redes Neurais. Uma característica notável foi que em ambos os classificadores a partir do processo de seleção dos dados ocorreu uma relativa melhora nas taxas percentuais, validando assim tal ferramenta como útil no processo de reconhecimento de padrões auditivos. A partir das duas situações foi notável a expressiva superioridade no processo de classificação por parte da RNA, sendo que em ambas as situações apresentaram taxas de acertos superiores as do SVM, demonstrando assim uma maior capacidade de generalização, uma maior eficácia no processo de aprendizado. O que representa que a configuração composta por RNA necessita de um menor volume de dados para o processo de reconhecimento de padrões auditivos em relação ao SVM. 4 Conclusão Este trabalho propôs um sistema de classificação de padrões baseados na atenção de indivíduos a 1376

7 estímulos auditivos, a partir da implementação da interface cérebro computador. Os testes feitos mostraram claramente a superioridade de classificação da RNA uma vez que em ambas as situações, seja com todos os canais do EEG ou com a utilização dos sete canais, apresentaram acertos superiores quando comparados ao SVM. Verificou-se a validade do processo de mineração dos dados coletados, pois em ambos os classificadores a partir da seleção dos canais proporcionou aumentos significativos nas taxas de acertos, demonstrando assim que durante o processo de aquisição dos sinais há a coleta de informações irrelevantes para a classificação. Assim, conclui-se que tanto a RNA quanto o SVM são capazes de classificar as ASSR, o que possibilita a utilização da ASSRs como paradigmas para ICC. Agradecimentos Os agradecemos a CNPQ, CAPES e a FAPEMIG pelo auxílio financeiro e pelo financiamento de duas bolsas de iniciação científica. Referências Bibliográficas AEARO, C. A. S., 2010.,Instructions for the use of eartone 5A: Insert Earphones, s.l.: s.n system (EEG). [Online] Available at: [Acesso em 19 março 2012]. Birbauner, N. et al., The thought translation device (ttd) for completely paralyzed patients. IEEE transactions on Rehabilitation Engineering, Volume 8, pp Carvalho, A. C. P. L. & Lorena, A. C., Introdução às Máquinas de Vetores de Suporte. São Carlos: s.n. Dimitrijevic, A. et al., Estimating the audiogram using multiple auditory steady-state response. Journal of the American Academy of Audiology, Volume 13, pp Felix, L. B., Miranda de Sá, A. M. F. L. & Infantosi, A. F. C., Multivariate Objective Response Detectors (MORD): Statistical Tools for Multichannel EEG Analysis During Rhythmic Stimulation. Haykin, S., Redes Neurais, Princípios e Prática. s.l.:bookman. Hillyard, S. A., Schwent, V. L. & Picton., T. W., Electrical signs of selective attention in the human brain. Science, pp John, M. & Picton, T. W., Human auditory steady-state responses to amplitude-modulated tones: plase and latency measurements.hearing Reseach. John, M. S., Lins, O. G. & Boucher, B. L., Multiple Auditory Steady-State Responses (MASTER): Stimulus and Recording Parameters. Kim, D. W., Hwang, H. J. & Lim, J. H., Classification of selective attention to auditory stimuli: Toward vision-free brain computer interfacing. pp Linden, R. D., Campbell, K. B. & Hamel, G., Human Auditory Steady-State Evoked Potentials during Sleep. Ear Hearing. Ranaudo, F. d. S., Classificação em tempo real da atenção seletiva auditiva usando potenciais evocados em regime permanente e coerência espacial, Rio de Janeiro: Dissertação Mestrado. Rodrigues, F. V., Fisiologia da Música: Uma abordagem comparativa. Laboratorio de Neurociência e Comportamento - Fisiologia - IB/USP, 16 março. Ross, B., Draganova, R. & Picton, T. W., Frequency specificity of 40-Hz auditory Steadystate Response. Hearing Reseach. Sabbatini, R. M. E., Mapeando o cérebro: A História do eletroencefalograma. Cérebro & Mente, Volume 3. Silva, I. N. d., Spatti, D. H. & Flauzino, R. A., Redes Neuras Artificiais para engenharia e ciência aplicadas. São Paulo: Artliber. Smola, A. J., introduction to large margin classifiers. s.l.:morgan Kaufmann. Vapnik, V., The nature of statistical learning theory. New York: Springer- Verlag. 1377