Réduction du nombre de capteurs EEG et détection des mouvements moteurs

Ces dernières années, les études sur l'intelligence artificielle et l'apprentissage automatique se sont généralisées et il est donc déjà courant de voir dans de nombreux endroits des algorithmes de reconnaissance des formes utilisés, que ce soit dans une publicité que vous recevez d'un magasin, un chatbot qui apprend des erreurs commises ou dans les voitures autonomes de Google et Tesla. Ce travail vise à reconnaître des schémas de mouvements volontaires par le biais de l'intelligence artificielle en utilisant les données de tension du cerveau et capturées par électroencéphalographie (EEG). Dans ce sens, il est également prouvé qu'il est possible de prétraiter les signaux EEG, en réduisant l'effort de traitement du système, en réduisant le nombre de canaux à analyser sans nuire à la reconnaissance des modèles. Dans ce cadre, il a été possible de réduire le nombre de capteurs de 64 à 18, atteignant une précision de 72% dans le meilleur des cas - qui peut varier à 73% par la manipulation du réseau neuronal artificiel (ANN). Ainsi, il est possible de prouver que les analyses basées sur les théories du signal génèrent des résultats satisfaisants en ce qui concerne l'erreur de classification.

Autorentext

Vinicius Bandeira - Telekommunikationsingenieur von IFSC.Ramon Mayor Martins - Master in Telekommunikation bei Inatel. Professor IFSC, Bereich Telekommunikation.Elen Macedo Lobato - PhD in Elektrotechnik an der UFSC. Professor IFSC, Bereich Telekommunikation.

Klappentext

Ces dernières années, les études sur l'intelligence artificielle et l'apprentissage automatique se sont généralisées et il est donc déjà courant de voir dans de nombreux endroits des algorithmes de reconnaissance des formes utilisés, que ce soit dans une publicité que vous recevez d'un magasin, un chatbot qui apprend des erreurs commises ou dans les voitures autonomes de Google et Tesla. Ce travail vise à reconnaître des schémas de mouvements volontaires par le biais de l'intelligence artificielle en utilisant les données de tension du cerveau et capturées par électroencéphalographie (EEG). Dans ce sens, il est également prouvé qu'il est possible de prétraiter les signaux EEG, en réduisant l'effort de traitement du système, en réduisant le nombre de canaux à analyser sans nuire à la reconnaissance des modèles. Dans ce cadre, il a été possible de réduire le nombre de capteurs de 64 à 18, atteignant une précision de 72% dans le meilleur des cas - qui peut varier à 73% par la manipulation du réseau neuronal artificiel (ANN). Ainsi, il est possible de prouver que les analyses basées sur les théories du signal génèrent des résultats satisfaisants en ce qui concerne l'erreur de classification.