Brain-Computer Interface for Lower-Limb Neurorehabilitation: From Signal Analysis to Practical Applications
Nome: CRISTIAN FELIPE BLANCO DÍAZ
Data de publicação: 30/08/2023
Banca:
Nome |
Papel |
|---|---|
| ALBERTO FERREIRA DE SOUZA | Coorientador |
| ANDRÉS RUIZ OLAYA | Examinador Externo |
| DENIS DELISLE RODRIGUEZ | Examinador Externo |
| RAFHAEL MILANEZI DE ANDRADE | Examinador Interno |
| TEODIANO FREIRE BASTOS FILHO | Presidente |
Resumo: Nos ´ultimos anos, o desenvolvimento de Interfaces C´erebro-Computador (ICC) com Eletroencefalografia (EEG) ganhou reconhecimento na comunidade cient´fica para a implementa¸c˜ao de sistemas de reabilita¸c˜ao rob´otica. Por exemplo, os Monociclos Est´aticos Motorizados (MEMs) tˆem sido usadas para assistˆencia passiva, com controle acionado pela Imag´etica
Motora (IM). No entanto, essas ICCs enfrentam desafios como longo tempo de calibra¸c˜ao, baixa personaliza¸c˜ao em aplicativos. Ademais, a detec¸c˜ao de intencionalidade com sinais de EEG durante tarefas de pedalada ainda n˜ao foi totalmente explorada. Esta disserta¸c˜ao tem como objetivo utilizar diferentes estrat´egias algor´tmicas em sinais de EEG para a detec¸c˜ao de tarefas de pedalada, utilizando v´arias abordagens algor´tmicas para implementar ICCs de neurorreabilita¸c˜ao em tempo real. Para isso, foram executados protocolos com tarefas de pedalada ativa, pedalada passiva e MI, onde foram abordadas diferentes metodologias de processamento de sinais. Algumas metodologias de processamento foram baseadas em
Padr˜oes Espaciais Comuns (CSP), Densidade do Espectro de Potˆencia (PSD) ou Geometria Riemanniana, enquanto foram utilizadas t´ecnicas de aprendizado de m´aquina e aprendizado profundo, como a An´alise Discriminante Linear (LDA) ou a M´aquina de Aprendizado Extremo (ELM) para classificar sinais de EEG com precis˜ao pr´oxima a 0.95 para MI e 0.80 para pedalada passiva. M´etodos baseados em geometria Riemanniana tamb´em foram utilizados para identificar tarefas de IM ap´os o recebimento de pedaladas passivas em trˆes velocidades diferentes (30, 45 e 60 rpm) com precis˜ao pr´oxima a 0.78. Como principal contribui¸c˜ao, foi projetada uma ICC com neurofeedback visual, assistˆencia passiva ao pedal e IM, que foi avaliada na fase on-line, alcan¸cando uma precis˜ao de aproximadamente 0.80 e fornecendo um feedback ao o indiv´duo, com o objetivo de incentivar modula¸c˜oes. Posteriormente, foi poss´vel observar a resposta cortical no c´ortex parieto-central do c´erebro
durante a sess˜ao. Os resultados nos permitem concluir que as metodologias implementadas s˜ao vi´aveis e precisas para o projeto de ICCs rob´oticas de membros inferiores. Ademas, elas permitem uma neurorreabilita¸c˜ao f´sica e neural mais personalizada e uma melhor intera ¸c˜ao homem-m´aquina, o que poderia ajudar na restaura¸c˜ao das habilidades de pessoas
com deficiˆencias neuromotoras. Os resultados apresentados aqui deixam a porta aberta para continuar explorando as informa¸c˜oes cerebrais durante o desenvolvimento de tarefas para membros inferiores, o que pode permitir a inova¸c˜ao tecnol´ogica em sistemas de ICC para reabilita¸c˜ao. Al´em disso, prop˜oe-se utilizar o sistema proposto em interven¸c˜oes terapˆeuticas para pessoas com deficiˆencia neuromotora, como pacientes p´os-AVC ou com les˜ao da medula espinhal.
