Vous êtes sur la page 1sur 6

XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS

ESTIMATIVA DE PICOS ESPECTRAIS PARA COMPOSICAO DE VETOR DE


CARACTERISTICAS DE UMA INTERFACE CEREBRO-COMPUTADOR

Sandra Mara Torres Muller, Bruno Salezze, Teodiano Freire Bastos, Mario
Sarcinelli Filho

Departamento de Engenharia e Ciencias Exatas, Universidade Federal do Esprito Santo - UFES
Rodovia BR 101 Norte, Km. 60, Bairro Litoraneo, 29932-540, Sao Mateus-ES, Brasil

Departamento de Engenharia Eletrica, Universidade Federal do Esprito Santo - UFES
Av. Fernando Ferrari, 514 29075-910, Vitoria-ES, Brasil

Emails: sandramuller@ceunes.ufes.br, brunosalezze@gmail.com, teodiano@ele.ufes.br,


mario.sarcinelli@ele.ufes.br

Abstract This work presents a way to enhance the Power Spectral Density (PSD) of the Steady State
Visual Evoked Potentials (SSVEP) from the EEG signal. The enhancement is obtained by using the statistical
test presented in (Infantosi et al., 2005) and reduces, or even eliminates, the peaks of frequency that are not
related to the frequency stimulus presented to the subject. As in an identification system, the frequencial peaks
can be interpreted as the features of this system. The experiments were performed with 6 volunteers and 19 values
of frequency stimulus. Thus, interpreting a Brain-Computer Interface (BCI) as a pattern recognition system,
this work provides a reliable feature extraction method enable to improve the desired pattern recognition.

Keywords Visual evoked potential, BCI, EEG analysis

Resumo Neste trabalho e apresentado uma forma de realcar a Densidade Espectral de Potencia dos Po-
tenciais Evocados Visuais em Estado Permanente presentes no sinal de EEG. O realce e alcancado a partir do
teste estatstico apresentado em (Infantosi et al., 2005) e reduz, ou mesmo elimina, picos de frequencia que nao
estao relacionados com a frequencia de estmulo utilizada. Pensando em um sistema de identificacao, os picos
frequenciais se tornam as caractersticas desse sistema. Os experimentos realizados contam com 19 valores dis-
tintos de frequencia e com 6 voluntarios. Assim, interpretando uma Interface Cerebro-Computador (ICC) como
um sistema de reconhecimento de padroes, este trabalho introduz um aumento da confiabilidade no sistema de
extracao de caractersticas, o que leva a uma melhoria do reconhecimento do padrao desejado.

Palavras-chave Potenciais evocados visuais, Interface Cerebro-Computador, Analise de EEG

1 Introducao espaco original de caractersticas, de dimensionali-


dade d, onde m < d (van der Heijden et al., 2004).
A extracao de caractersticas e parte fundamen-
tal em uma Interface Cerebro-Computador (ICC),
sendo um dos responsaveis pelo crescimento da Sabe-se, a partir de (Herrmann, 2001) e
taxa de classificacao correta do sistema. Assim, (Infantosi et al., 2005), que a frequencia periodica
o que se deseja neste trabalho e buscar a melhor, presente em uma estimulacao visual produz uma
ou mais relevante, representacao para os poten- resposta no sinal de EEG sincronizada com o est-
ciais evocados visuais no estado permanente (SS- mulo, seja em sua componente fundamental ou em
VEP), isto e, potenciais evocados visuais com uma seus harmonicos. Portanto, no espectro do EEG,
frequencia de estmulo acima de 4 Hz. Esta repre- durante a estimulacao do SSVEP, aparecem picos
sentacao se da atraves dos parametros, ou carac- agudos nas frequencias de estmulo, assim como
tersticas, extrados de um sinal. Como mostrado em suas harmonicas e sub-harmonicas, mas ha
em (Jain et al., 2000), um conjunto de parametros tambem a presenca de picos espurios. Portanto,
limitado e significativo simplifica a representacao os potenciais evocados visuais no estado perma-
de um padrao. Consequentemente, o classificador nente possuem uma forte caracterizacao frequen-
resultante sera mais rapido e usara menos memo- cial. Com a experiencia do trabalho desenvolvido
ria. Por outro lado, a reducao no numero de pa- em (Muller et al., 2008), agora sera providenci-
rametros caracterizadores pode levar a uma perda ado um realce dos picos do espectro de poten-
na capacidade de discriminacao de informacao, e, cia, para a melhoria da extracao de caractersti-
portanto, a uma perda da precisao do sistema de cas, evitando assim as componentes induzidas. A
reconhecimento resultante. forma de estimar o espectro de um sinal e apre-
Quando se fala em metodos de extracao de ca- sentada na Secao 2. Ja o tratamento estatstico,
ractersticas, estamos nos referindo aos algoritmos que leva a um realce das componentes frequenciais
que criam novos parametros a partir de transfor- evocadas e a diminuicao do numero de parame-
macoes ou combinacoes do conjunto original. As- tros, e apresentado na Secao 3. Ja os resultados
sim, metodos de extracao de caractersticas deter- do teste estatstico aplicado sao apresentados na
minam um sub-espaco de dimensionalidade m no Secao 4.

3794
XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS

2 Estimativa do Espectro de Potencia a janela (n) e retangular. Ja o termo periodo-


grama modificado e usado para ressaltar o uso de
Uma das formas mais comuns de estudar a ca- uma janela nao-retangular. O periodograma, em
racterstica frequencial de um sinal e pela estima- um conjunto discreto de frequencias, e calculado
tiva espectral. O espectro de potencia pode ser usando a DFT de N pontos do segmento de sinal
estimado para sinais determinsticos e estocasti- (n). Assim como acontece com os sinais determi-
cos. Uma vez que o sinal seja determinstico, isto nsticos, o periodograma de sinais aleatorios leva
e, o seu modelo e conhecido, a analise de Fou- ao espectro de energia original quando o numero
rier, com o uso da serie ou da transformada, e a de observacoes N .
mais indicada (Manolakis et al., 2005). Quando E mostrado em (Manolakis et al., 2005) que o
o sinal e modelado de forma estocastica, apare- principal problema do periodograma esta em sua
cem dois tipos de tecnicas, a saber, a parametrica variancia, que deve ser reduzida para suavizar o
e a nao-parametrica. A tecnica parametrica as- espectro estimado. Sabe-se, tambem, que a va-
sume que o sinal a ser analisado foi gerado por riancia da soma de K variaveis aleatorias inde-
um modelo parametrico especfico, como o modelo pendente e identicamente distribudas (iid) e 1/K
harmonico, o modelo auto-regressivo ou o modelo vezes a variancia de cada variavel aleatoria. As-
polo-zero. Como a escolha de um modelo inapro- sim, para reduzir a variancia do periodograma,
priado pode levar a resultados erroneos, a aplica- pode-se tirar a media dos periodogramas de K
cao desta tecnica se torna complexa. Ja as tec- diferentes realizacoes de um sinal aleatorio esta-
nicas nao-parametricas nao assumem uma forma cionario. Para isso, divide-se o sinal de interesse
funcional particular, mas permitem que a forma x(n), 0 n N 1, em K segmentos meno-
do estimador seja determinada totalmente pelos res e contguos xi (n). O periodograma do i-esimo
dados. Estes metodos sao baseados na transfor- segmento, de duracao L, sera
mada discreta de Fourier (DFT) do segmento do L1 2
sinal analisado, ou de sua sequencia de autocorre- 1 1 X
2
lacao, como mostrado em (Manolakis et al., 2005). Rx,i (ej ) = Xi (ej ) = xi (n)ejn .
L L n=0

Um dos metodos nao-parametricos mais conheci-
dos e o periodograma, usado na estimacao do es- A estimativa do espectro RxM P (ej ) e obtida
pectro de potencia de sinais aleatorios estaciona- fazendo a media dos K periodogramas
rios.
K1
Para sinais aleatorios estacionarios, os mo- i X
mentos de segunda ordem, como a autocorrelacao, RxM P (ej ) = Rx,i (ej ), (1)
K i=0
rx (l), e a densidade espectral de potencia (PSD),
Rx (ej ), representam uma funcao crucial na ana-
onde o sobre-ndice M P significa media dos peri-
lise e modelamento de sinais. Do ponto de vista
odogramas. O periodograma estimado RxM P (ej )
pratico, a maioria dos processos aleatorios estaci-
e conhecido como a estimacao de Bartlett.
onarios possui espectro contnuo. Assim, a den-
Grande parte das aplicacoes de estimacao de
sidade espectral de potencia de um processo es-
espectro envolve sinais de tempo contnuo, como
tocastico estacionario com media zero e definida
e o caso do sinal de EEG. O calculo numerico
por

X do espectro deste tipo de sinal envolve tres eta-

Rx (ej ) = rx (l)ejl , pas, que sao a amostragem, a multiplicacao pela
l= funcao janela e a determinacao do espectro pro-
priamente dita. Em relacao a determinacao do
assumindo que a sequencia de autocorrelacao rx (l) espectro, para se obter mais amostras da DFT
e absolutamente somavel. de N valores, ou seja, uma densidade maior de
O periodograma do segmento de dados ou amostras, aumenta-se o numero de pontos de cal-
segmento de sinal {x(n)N 0
1
} e definido em culo da DFT de x(n). Esse numero e chamado de
(Manolakis et al., 2005) como N F F T , tal que N F F T N . Como o numero
N 1 2 de amostras de x(n) e fixo, a unica forma de tra-
1 X 1 2
jn tar x(n) como uma sequencia de N F F T pontos e
j
Rx (e ) = (n)e = V (ej ) ,
N N adicionando (N F F T N ) zeros. Esta operacao
n=0
e chamada de zero padding e entre suas funcoes
esta a de aumentar a densidade frequencial do es-
onde V (ej ) e a DFT da sequencia vista pela ja-
pectro. E importante comentar que a operacao de
nela (n), ou seja,
zero padding nao aumenta a resolucao de frequen-
(n) = x(n)(n) 0 n N 1. cia, apenas faz uma melhor exibicao da informacao
disponvel, isto e, um espectro de alta densidade.
Esta definicao de periodograma vem da rela- Para determinar um espectro de alta resolucao e
cao de Parseval sobre a potencia de um sinal. Ge- necessario coletar mais informacoes, aumentando
ralmente, o termo periodograma e usado quando N.

3795
XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS

Apesar que o uso de alguns tipos de janela (Manolakis et al., 2005). Este metodo e apresen-
possa resultar em espectros mais suavizados, isso tado na Secao 2, com a Equacao 1 reescrita, para
tambem pode levar a perda de informacao fre- conformidade de nomenclatura, como
quencial. Assim, a reducao de variancia de um
M 1
periodograma, que implica em sua suavizacao, nao 1 X (m)
PB (f ) = P (f ),
e uma exigencia para este trabalho. Alem disso, o M m=0 xx
metodo de periodograma e um estimador da den-
sidade espectral de potencia, e funciona como uma
onde M e o numero total de sub-trechos de x(n)
transformada de Fourier da sequencia de autocor- (m)
relacao do sinal. Para melhorar o desempenho (independentes e com igual duracao) e Pxx (f ) e
estatstico de um periodograma basta calcular a o espectro estimado do m-esimo sub-trecho. Logo,
sua media. Isto e feito segmentando os dados PB (f ) tem distribuicao qui-quadrada de 2M graus
para obter varios registros, e por fim fazendo a de liberdade, isto e, 22M . Tambem tem-se que, se
media dos periodogramas de cada registro. Este z 2 (k), w 2 (r) e z, w sao independentes,
e o conhecido metodo Welch-Bartlett (Manolakis entao
et al., 2005), que foi utilizado nos experimentos (z + w) 2 (k + r)
desenvolvidos. Como o sinal de EEG pode ser z/k
considerado estacionario para segmentos curtos, F (k, r),
w/k
foi utilizado o periodograma na estimacao do es-
pectro do sinal de EEG registrado. onde F (k, r) e a distribuicao F com k e r graus
de liberdade. Assim, assume-se o teste F , deno-
3 Teste Estatstico minado em (Infantosi et al., 2005) como teste F -
espectral (T F E) expresso como
De acordo com (Liavas et al., 1998), considere que
f (n) seja a resposta evocada associada ao SSVEP, Pxxpos (f )
T F E(f ) = .
e y(n) corresponda as oscilacoes induzidas do sinal Pyypre (f )
de EEG. Assim, o sinal de EEG registrado durante
o repouso (antes do estmulo) e o estmulo serao, Este teste tem como hipoteses nula e alterna-
respectivamente, xpre (n) e xpos (n), dados por tiva as expressoes dadas por
xpre (n) = ypre (n) H0 : f (n) = 0,
xpos (n) = f (n) + ypos (n).
H1 : H0 e f also.
Como o sinal de EEG pode ser assumido como
um sinal estacionario e amostra de um processo
gaussiano de media zero (Liavas et al., 1998), en- Na ausencia de resposta evocada tem-se que, sob
tao as series de tempo ypre (n) e ypos (n) podem ser H0 ,
My
consideradas como parte do mesmo processo es- T F E(f ) F2Mx ,2My ,
Mx
tacionario. Assim, suas estimativas de densidade
espectral de potencia, chamadas, respectivamente,
onde Mx e o numero de sub-trechos usados para
de Pyypre (f ) e Pyypos (f ), sao coincidentes. Com
estimar o espectro durante o estmulo, e My e o
uma suposicao levemente menos restritiva pode-se
numero de sub-trechos usados para estimar o es-
assumir que Pyypre (f ) e Pyypos (f ) sao relaciona-
pectro durante o repouso (Infantosi et al., 2005).
dos via uma fator de escala, isto e,
Consequentemente, H0 e rejeitado em favor
Pyypos (f ) = Pyypre (f ). de H1 no nvel de significancia a partir do valor
crtico
Isto significa que a densidade espectral de potencia
T F Ecrit = F(2Mx ,2My ,) .
de ypre (n) e ypos (n) tem a mesma forma, mas nao
necessariamente a mesma amplitude.
A forma mais natural de se estimar Pyypos (f ) Isto e, o valor crtico corresponde a hipotese nula
seria usando o dado durante o estmulo, xpos (n). H0 de ausencia de resposta. Portanto, sera con-
Entretanto, xpos (n) contem as respostas evocada siderada a presenca de resposta evocada para os
e induzida ao mesmo tempo, e entao o espectro es- valores de espectro que estao acima do valor cr-
timado seria diferente de Pyypos (f ) devido a con- tico.
tribuicao da resposta evocada. Uma forma de es-
timar Pyypos (f ) seria a partir do sinal de repouso 4 Experimentos e Resultados
xpre (n), ou seja, ypre (n), uma vez que seus espec-
tros sao proporcionais. Para se analisar os SSVEP no domnio da frequen-
Como em (Infantosi et al., 2005), para aumen- cia, foi realizado um experimento que contou com
tar a significancia estatstica da estimativa espec- seis voluntarios saudaveis masculinos, com idades
tral, pode-se utilizar o periodograma de Bartlett entre 20 e 32 anos. Eles serao chamados de Vol1

3796
XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS

ate Vol6 por ordem alfabetica do nome. Foram determinou-se a media do periodograma do sinal
registrados 2 minutos de sinal de EEG enquanto o de estmulo para cada intervalo e numero de seg-
voluntario visualizava a tela de um monitor LCD mentos ja comentados. Aplicou-se o teste esta-
de 17 polegadas ligado mas sem imagem, sentado tstico usando os espectros de repouso e estmulo.
a uma distancia aproximada de 70 cm. Esta etapa Fixando o 16o segundo e fixando o canal Oz, uma
corresponde ao estado chamado repouso. Depois, inspecao visual foi realizada para todos os volunta-
foram gravados 2 minutos de sinal de EEG com rios, e por fim se optou por intervalos de 4 s com 4
uma tarja de estmulo apresentada no centro da segmentos cada. Tudo isto leva a um valor crtico
tela do monitor. As frequencias de estmulo usa- da distribuicao F igual a F (8, 240, 0, 05) = 1, 939,
das, individualmente, foram: 5; 5,6; 6; 6,4; 6,9; 7; para um nvel de significancia de 0,05.
8; 9; 10; 11; 12; 13; 14; 15; 16; 17; 18; 19; 20 Hz Assim, foram fixados os parametros para o si-
(nesta ordem). nal de estmulo: janela retangular, intervalo de
O sinal de EEG foi gravado nos canais: P7, 4 s, deslizante em passos de 1 s, com media de
PO7, P5, PO3, POz, PO4, P6, PO8, P8, O1, O2 4 segmentos (trechos) de 1 s, compondo 117 in-
e Oz. A taxa de amostragem foi de 600 Hz e a tervalos distintos. Para o repouso temos: janela
filtragem de 0,1 a 100 Hz. Uma vez registrado o retangular, intervalo de 1 s, deslizante em passos
sinal de EEG, foi retirada a sua media e aplicada de 1 s, isto e, intervalos contguos, com um unico
a tecnica de filtragem espacial CAR (do ingles, segmento de 1 s. Para demonstrar a eficacia do
Common Average Reference). Depois foi aplicado teste estatstico, e apresentada a Figura 2 para o
sobre o sinal resultante um filtro Butterworth de canal Oz, do Vol3, na frequencia de estmulo de
ordem 4, com banda de passagem de 3-50 Hz. 6,4 Hz. Na Figura 2(a) e mostrado o espectro do
Estudou-se qual a melhor janela a ser usada sinal de estmulo no 15o segundo, mas agora so-
com o uso da funcao chamada periodogram do bre um intervalo de 4 s com 4 segmentos, isto e,
Matlab, usando as janelas: retangular, bartlett, a media do espectro do 15o segundo ate 18o ; na
chebyshev, gaussiana, kaiser e hamming. Nesta Figura 2(b) tem-se o espectro da media dos 120
fase de comparacao foi utilizado, empiricamente, intervalos de 1 s do sinal de repouso; e por fim, na
o 15o segundo dos voluntarios com uma N F F T Figura 2(c) e mostrada a razao entre os espectros,
igual a 4096, isto e, foi utilizado um unico seg- resultante do teste estatstico aplicado, junto com
mento de 1 s, correspondente a 600 amostras. A seu valor crtico.
Figura 1 mostra os espectros obtidos para o Vol3 Pode-se observar, na Figura 2, os seguintes
a uma frequencia de estmulo de 6,4 Hz. aspectos, que tambem podem ser aplicados aos
Pode-se observar que as janelas que apresen- outros voluntarios: (i) usando a media de 4 seg-
tam uma suavizacao podem perder informacao mentos de 1 s, ha uma melhora dos valores dos
espectral sobre o sinal original. Assim, janelas picos em relacao ao uso de um unico segmento de
com rudo, apesar dos picos espurios, apresentam 1 s, mostrado na Figura 1 (observando o caso de
as componentes frequenciais relacionadas ao est- janela retangular); (ii) de uma forma geral, o teste
mulo, sendo mais fiel ao espectro do sinal. Por estatstico permitiu um realce da componente fun-
isso, optou-se pela janela retangular, que mantem damental e de seus harmonicos; (iii) o teste tam-
o sinal original, evitando apenas uma dispersao es- bem reduziu a influencia das componentes induzi-
pectral, de acordo com os resultados encontrados das, principalmente na banda alfa (por volta de 10
em (Infantosi et al., 2005). Os rudos espurios se- Hz); e (iv) ha poucos picos acima do valor crtico
rao minimizados ou mesmo eliminados com o teste que nao correspondem ao estmulo, e seus valores
estatstico apresentado na Secao 3. sao bem abaixo das componentes do estmulo.
Uma vez decidido o tipo de janela a ser usado, Considerando-se apenas os canais occipitais
seria necessario saber qual o tamanho de sinal a O1, O2 e Oz, buscou-se de forma automatica o
ser analisado (chamado de intervalo) e em quan- numero de picos, apos o teste, que correspondiam
tos trechos, ou segmentos, dividi-lo. Para isso, e a componente fundamental e seus harmonicos. De
importante ressaltar que este trabalho tem como forma geral, os voluntarios apresentaram melhores
interesse uma atualizacao do sistema a cada 1 s. resultados em baixas frequencias (ate 14 Hz) para
Entende-se por atualizacao o processamento de si- a componente fundamental e os dois harmonicos
nal do segundo imediatamente anterior e selecao seguintes, enquanto o Vol3 possui uma deteccao
de uma classe neste intervalo. Isso se da pelo in- mais acentuada no 2o harmonico, e o Vol5 na com-
teresse em uma posterior implementacao de uma ponente fundamental.
ICC online sendo atualizada a cada segundo. As- A partir de toda analise feita, foram escolhi-
sim, os intervalos analisados foram 1, 2, 4 e 8 s, e o dos valores de frequencia nos quais os 6 voluntarios
numero de segmentos usados para cada intervalo tenham, simultaneamente, um desempenho razoa-
foi de 1, 2 ou 4 trechos. vel. Assim, foram selecionados os valores 5; 6,4;
Para a aplicacao do teste estatstico calculou- 7; 8; 13 e 14 Hz, para o prosseguimento dos es-
se a media dos periodogramas do sinal de re- tudos de classificacao. Para melhor visualizacao
pouso em 120 intervalos de 1 segundo. Depois dos resultados, os mesmos foram selecionados e

3797
XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS

Figura 1: Comparacao de tipos de janela para a estimativa da densidade espectral de potencia.

apresentados na Tabela 1. Nota-se que, com este feitos para o mesmo tipo de ICC.
metodo, ha a deteccao de ate 100% (Vol5-6,4Hz),
ou mesmo proximo a este valor. Pode-se observar Referencias
tambem que baixas deteccoes na componente fun-
damental podem ser compensadas pelas deteccoes Herrmann, C. S. (2001). Human eeg responses to 1-100
hz flicker: resonance phenomena in visual cortex
no segundo e terceiro harmonico (Vol3 ). E por
and their potential correlation to cognitive phe-
fim, percebe-se que cada voluntario se comporta
nomena, Exp. Brain Res. 137: 346353.
de forma distinta, ja comentada.
Infantosi, A. F. C., Lazarev, V. V. e de Campos, D. V.
(2005). Deteccao de resposta a fotoestimulacao
5 Conclusao intermitente no eletroencefalograma utilizando o
teste f-especral, Revista Brasileira de Engenharia
Este trabalho mostra o tratamento realizado sobre Biomedica 21(1): 2536.
o sinal de EEG para a identificacao dos SSVEPs,
Jain, A. K., Duin, R. P. W. e Mao, J. (2000). Statis-
deixando claro que e possvel sobressair a frequen- tical pattern recognition: A review, IEEE Tran-
cia advinda de um estmulo no espectro do sinal sactions on Pattern Analysis and Machine Intel-
de EEG associado. Essa identificacao e renovada ligence 22(1): 437.
a cada segundo, permitindo, assim, a implemen-
Liavas, A. P., Moustakides, G. V., Gunter, Psarakis,
tacao de uma ICC online. E. Z. e Husar, P. (1998). A periodogram-based
Uma vez escolhidas as frequencias de estmulo method for the detection of steady-state visually
com alto ndice de identificacao, pode-se pensar evoked potentials, IEEE Transactions on Biome-
no sistema de classificacao, que pode ter como dical Engineering 45(2): 242248.
parametros de entrada os picos de frequencia e Manolakis, D. G., Ingle, V. K. e Kogon, S. M. (2005).
seu valor de frequencia associado. Isso levaria Statistical and adaptative signal processing: spec-
a uma ponderacao dos picos espurios, que geral- tral estimation, signal modeling, adaptive filte-
mente possuem amplitudes baixas em relacao as ring and array processing, Artech House.
componentes do estmulo. Muller, S. M. T., Garcia, F. D., Bastos-Filho, T. F.
Como estudo futuro, deve-se avaliar se o ren- e Filho, M. S. (2008). Estudo de potenciais evo-
dimento caiu a partir dos 16 Hz devido a distancia cados visuais para aplicacao em uma cadeira de
temporal do seu registro em relacao ao registro do rodas robotica, Anais do XVII Congresso Brasi-
sinal de repouso, ou se e devido a caracterstica de leiro de Automatica p. 6p.
resposta frequencial do corpo humano, conforme van der Heijden, F., Duin, R. P. W., de Ridder, D. e
(Herrmann, 2001). Outro etapa seria a implemen- Tax, D. M. J. (2004). Classification, Parameter
tacao de um classificador a partir da extracao de Estimation and State Estimation, An Enginee-
caractersticas desenvolvida neste trabalho, o que ring Approach using Matlab, Wiley.
permitira a comparacao com outros classificadores

3798
XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS

(a) Espectro do sinal de estmulo (b) Espectro do sinal de repouso

(c) Teste estatstico dado pela razao dos espectros an-


teriores.

Figura 2: Espectro do sinal de estmulo, repouso e teste estatstico para o Vol3, canal Oz, com frequencia
de estmulo em 6,4 Hz.

Tabela 1: Deteccao dos picos (em %) das componentes frequenciais, para estmulo de 5, 6,4, 7, 8, 13 e
14 Hz.
5Hz 6,4Hz 7Hz
1o H. 2o H. 3o H. 1o H. 2o H. 3o H. 1o H. 2o H. 3o H.
V1 O2 73,5 0,0 11,1 V1 O2 91,5 13,7 3,4 V1 O2 79,5 9,4 1,7
O1 98,3 0,0 38,5 O1 94,0 70,1 38,5 O1 57,3 69,2 52,1
OZ 88,0 0,9 53,0 OZ 90,6 63,2 61,5 OZ 66,7 59,8 59,0
V2 O2 79,5 18,8 45,3 V2 O2 64,1 10,3 80,3 V2 O2 73,5 17,9 94,9
O1 55,6 17,1 49,6 O1 77,8 42,7 80,3 O1 76,9 27,4 77,8
OZ 74,4 29,9 70,9 OZ 72,6 41,9 88,0 OZ 69,2 44,4 91,5
V3 O2 47,0 8,5 41,9 V3 O2 39,3 71,8 76,1 V3 O2 96,6 94,0 75,2
O1 23,9 10,3 5,1 O1 25,6 0,9 10,3 O1 6,8 3,4 30,8
OZ 36,8 82,1 26,5 OZ 30,8 96,6 92,3 OZ 97,4 90,6 82,9
V4 O2 28,2 2,6 0,0 V4 O2 47,0 4,3 0,0 V4 O2 46,2 5,1 0,9
O1 41,0 4,3 29,9 O1 48,7 71,8 21,4 O1 71,8 31,6 22,2
OZ 93,2 7,7 54,7 OZ 64,1 73,5 40,2 OZ 89,7 66,7 12,0
V5 O2 79,5 36,8 24,8 V5 O2 100,0 21,4 21,4 V5 O2 98,3 78,6 34,2
O1 12,0 11,1 0,9 O1 37,6 3,4 0,9 O1 52,1 4,3 2,6
OZ 56,4 27,4 16,2 OZ 94,9 12,8 0,0 OZ 94,9 36,8 8,5
V6 O2 41,9 20,5 12,0 V6 O2 91,5 51,3 41,9 V6 O2 33,3 13,7 19,7
O1 9,4 5,1 1,7 O1 65,8 0,0 0,0 O1 18,8 0,0 2,6
OZ 81,2 42,7 0,9 OZ 96,6 14,5 6,0 OZ 61,5 8,5 9,4

8Hz 13Hz 14Hz


1o H. 2o H. 3o H. 1o H. 2o H. 3o H. 1o H. 2o H. 3o H.
V1 O2 49,6 29,9 6,8 V1 O2 23,9 3,4 0,0 V1 O2 11,1 0,0 0,0
O1 64,1 79,5 31,6 O1 79,5 32,5 4,3 O1 74,4 16,2 5,1
OZ 76,9 82,9 47,9 OZ 84,6 24,8 0,0 OZ 70,9 7,7 5,1
V2 O2 38,5 64,1 78,6 V2 O2 29,1 72,6 18,8 V2 O2 48,7 88,9 19,7
O1 53,0 83,8 16,2 O1 76,1 33,3 6,0 O1 49,6 7,7 0,0
OZ 82,1 82,1 62,4 OZ 47,9 52,1 10,3 OZ 43,6 64,1 0,0
V3 O2 87,2 83,8 37,6 V3 O2 64,1 31,6 7,7 V3 O2 84,6 50,4 18,8
O1 11,1 3,4 53,8 O1 10,3 55,6 13,7 O1 14,5 78,6 0,0
OZ 72,6 67,5 56,4 OZ 92,3 53,0 10,3 OZ 88,9 73,5 20,5
V4 O2 61,5 24,8 0,0 V4 O2 45,3 3,4 14,5 V4 O2 36,8 0,0 0,0
O1 94,0 90,6 31,6 O1 85,5 19,7 24,8 O1 96,6 28,2 33,3
OZ 94,0 88,9 2,6 OZ 95,7 51,3 6,8 OZ 91,5 57,3 9,4
V5 O2 90,6 66,7 0,0 V5 O2 90,6 12,0 30,8 V5 O2 95,7 0,9 6,0
O1 21,4 4,3 2,6 O1 0,9 0,0 0,0 O1 9,4 9,4 4,3
OZ 99,1 19,7 0,0 OZ 56,4 0,0 6,8 OZ 59,0 10,3 6,8
V6 O2 74,4 24,8 0,0 V6 O2 71,8 5,1 0,0 V6 O2 48,7 9,4 0,0
O1 17,1 0,0 0,9 O1 8,5 6,0 11,1 O1 9,4 6,8 5,1
OZ 61,5 4,3 1,7 OZ 59,8 7,7 0,0 OZ 49,6 6,8 7,7

3799