Abstract—The activities pertaining to body control performed

by human beings utilize neuromuscular tracts. Tasks’ performance such as moving the arms or walking demand the planning of the task to be performed. People diagnosed with clinical conditions such as Amyotrophic Lateral Sclerosis, Spine lesions or Cerebrovascular Accident, for instance, have their neuromuscular tracts damaged. One of the alternatives to bypass that problem is the development of technologies which can partially replace the loss functioning of people with severe motor impairment. The imagination of the movement is considered as a cognitive state which corresponds to the mental simulation of a given motor action. The general aim of this investigative research is to develop a brain-computer based interface for the movement imagination of the left fist, right fist, both fists and both feet in order to control an intelligent wheelchair. The electroencephalography signals were acquired through the database eegmmidb - EEG Motor Movement/Imagery Dataset. Electroencephalography signals samples of 106 individuals were utilized in order to validate the computational model. The proposed model obtained an efficiency of 74,96% in the correct classification of the events related to movement imagination. The developed techniques are promising. The model intends to contribute as a complementation of an improvement towards the mobility of people suffering from severe motor impairment. Keywords—Brain-Computer Interface, Intelligent wheelchair,

Electroencephalography

I. INTRODUÇÃO ESSOAS com mobilidade reduzida acabam modificando sua rotina, passando a ocupar-se de atividades pouco ativas,

reduzindo seu desempenho físico, suas habilidades motoras e sua capacidade de coordenação. Esses efeitos não favorecem a manutenção de um estilo de vida saudável, levando essas pessoas ao isolamento social e à solidão. Equipamentos tradicionais para auxílio de mobilidade como cadeiras de rodas, muletas, bengalas e membros artificiais têm capacidade de auxílio limitado e em muitos casos não são capazes de prover o auxílio necessário para indivíduos que possuam combinações de deficiências físicas, cognitivas e de percepção [1].

O. R. Pinheiro, SENAI CIMATEC, Salvador, Bahia, Brasil, oberdan.pinheiro@gmail.com

L. R. G. Alves, SENAI CIMATEC / UNEB, Salvador, Bahia, Brasil, lynnalves@gmail.com

J. R. D. Souza, UNEB, Salvador, Bahia, Brasil, josemarsbr@gmail.com

As vias neuromusculares são canais de comunicação entre o cérebro e os músculos. Quando uma pessoa deseja realizar um determinado movimento, é através dessas vias que o cérebro envia sinais aos músculos do corpo para realizar o movimento; contudo, em alguns casos, essa comunicação é interrompida devido a danos provocados por doenças que comprometem as vias através das quais o cérebro controla o corpo. Dentre elas, estão a Esclerose Lateral Amiotrófica (ELA), Acidente Vascular Cerebral (AVC), lesão do cérebro ou da medula espinhal, paralisia cerebral, distrofia muscular e esclerose múltipla [2]. As interfaces cérebro-computador são tecnologias que propiciam a interação do homem com equipamentos ou máquinas [3]. De acordo com a Organização Mundial da Saúde (OMS), existem, no mundo, um bilhão de pessoas com deficiência, representando cerca de 15% da população mundial, ou uma em cada sete pessoas. Deste número, cerca de 190 milhões de adultos sofrem dificuldades significativas de mobilidade.

Nesse contexto, surge a necessidade de desenvolver novas tecnologias que venham atender as demandas dos sujeitos com comprometimentos motores e neurológicos. O objetivo desse trabalho foi desenvolver uma interface cérebro-computador baseada na imaginação de movimentos do punho esquerdo, punho direito, ambos os punhos e ambos os pés para controlar uma cadeira de rodas inteligente (CRI), através da medição dos sinais de eletroencefalograma (EEG) do córtex pré-frontal.

II. TRABALHOS RELACIONADOS A interface de controle da CRI, desenvolvida em [4], utiliza

a imaginação de movimento para controlar um sistema robótico. Nesse trabalho, foi utilizado a imaginação da mão direita e esquerda, correspondendo às direções x e y, respectivamente. 14 eletrodos, localizados nas regiões do córtex frontal e motor, foram utilizados para capturar os sinais EEG, com uma taxa de amostragem de 128 Hz e um filtro passa-banda de 0,2 - 45 Hz. O sistema emprega a transformada wavelet, para extração de características e um classificador: Support Vector Machine (SVM), para o reconhecimento de padrão entre os dois estados mentais. Os usuários alcançaram com sucesso os seus objetivos com uma taxa média de acerto de 75%. Em [5], a interface de controle da CRI é baseada no rastreamento dos olhos. Os pesquisadores preocuparam-se em auxiliar pessoas com graves deficiências motoras. O sistema proporciona uma navegação contínua em tempo real em ambientes desconhecidos. Os usuários tiveram uma taxa média de acerto de 70% no controle da CRI. O

EEG Signals Classification: Motor Imagery for Driving an Intelligent Wheelchair O. R. Pinheiro, L. R. G. Alves and J. R. D. Souza, Member, IEEE

P

254 IEEE LATIN AMERICA TRANSACTIONS, VOL. 16, NO. 1, JAN. 2018

software do sistema de controle da CRI é uma combinação de códigos: LabVIEW, MATLAB, C++ e C.

No trabalho de [6], foi utilizado, para o desenvolvimento de uma interface cérebro-computador, a imaginação de quatro movimentos relacionados à mão direita: flexão, extensão, supinação e pronação. Os dados EEG foram adquiridos a partir de 17 eletrodos, localizados nas regiões do córtex motor e parietal, com uma taxa de amostragem de 100 Hz e um filtro passa-banda de 2 - 30 Hz. O sistema utiliza a transformada wavelet, para extração de características e um classificador Naive Bayes para o reconhecimento de padrão, a taxa média de acerto apresentada foi de 82,2%, o sistema foi testado com 5 indivíduos. Em [7], foi desenvolvida uma interface cérebro-computador usando o dispositivo Emotiv EEG. Nesse estudo foi utilizado o reconhecimento de expressões faciais para controle de um robô móvel. O Emotiv EEG é um produto oferecido pela empresa Emotiv constituído por 14 eletrodos, localizados nas regiões do córtex frontal e motor. O sistema considera cinco ações de movimento disponíveis: frente, esquerda, direita, ré e parar, cada um relacionado a um evento. Quando um evento é gerado, o Emotiv detecta um conjunto de sinais correspondente à ação determinada, por exemplo, abrir e fechar os olhos, mastigar, sorrir, pestanejar e franzir a testa. Os resultados demonstraram uma média de 81% na classificação das expressões faciais. Apenas 6 pessoas foram utilizadas para validar o sistema.

A interface cérebro-computador, desenvolvida em [8], é baseada na imaginação dos movimentos das mãos esquerda e direita, resultando em um sistema com duas classes de saída. Foram utilizados 28 eletrodos, posicionados ao redor do córtex motor. Para o processo de extração de característica, foi utilizado o algoritmo Common Spatial Patterns (CSP), o classificador utilizado foi o Bayes linear classifier (BLC). O sistema apresentou uma média de 80% na classificação correta dos dados. No trabalho desenvolvido por [9], foi validada uma interface cérebro-computador baseada em potenciais relacionados a eventos evocados-tátil para controlar uma cadeira de rodas. Os sinais EEG foram adquiridos a partir de 16 eletrodos, localizados na região do córtex motor, a uma taxa de amostragem de 512 Hz. Foi utilizado um filtro passa-banda entre 0,1 e 60 Hz, o sistema foi implementado utilizando a linguagem de programação C++. Uma árvore de decisão foi utilizada para classificar os dados de entrada. Os resultados demonstraram uma média de 87,5% na classificação dos dados. Quinze participantes foram utilizados para validação do sistema.

A interface cérebro-computador, desenvolvida por [10], utilizou algoritmos de classificação, tais como: Naive Bayes, Rede Neural Artificial (RNA) e Máquina de Vetor de Suporte para o reconhecimento de padrões em sinais EEG baseados em expressões faciais. Experimentos foram realizados utilizando 30 indivíduos que sofrem de paralisia cerebral. Os resultados obtidos mostraram que o classificador baseado em RNA foi mais eficiente em relação aos outros métodos, permitindo melhorar os resultados em 57%, SVM: 43,55% e Bayes: 54,64%. 14 eletrodos, localizados nas regiões do córtex frontal e motor, foram utilizados. A taxa de amostragem utilizada foi

de 128Hz. Este trabalho, mesmo tendo como uma das suas

características a adição de uma nova interface cérebro-computador para controlar uma CRI, tem como ponto de diferenciação dos trabalhos apresentados nesta Seção, a utilização de um eletrodo, para aquisição dos sinais EEG. Isso permitirá um menor consumo de energia, possibilitando ao indivíduo a utilização do dispositivo durante longos períodos de tempo. Neste trabalho, a interface cérebro-computador será baseada na imaginação de movimentos do punho esquerdo, punho direito, ambos os punhos e ambos os pés, permitindo a classificação de dados que incluem respostas a quatro tarefas mentais distintas, ampliando o grau de liberdade do indivíduo em quatro direções. Assim, quatro RNA’s especialistas (uma para cada imaginação de movimento) foram implementadas. O objetivo da especialização é minimizar a presença de falsos positivos. Com a especialização das redes neurais, a generalização das mesmas será beneficiada, uma vez que é mais fácil discernir entre duas classes de padrões a quatro classes.

III. PROJETO E DESENVOLVIMENTO O presente trabalho de investigação propõe o

desenvolvimento de uma interface cérebro-computador não invasiva baseada na imaginação de movimentos para controlar uma cadeira de rodas inteligente. Nesse projeto, o processo de aquisição dos sinais EEG, o pré-processamento, a extração de características e a classificação dos sinais foram realizados de maneira off-line, o método utilizado para extração de características foi a Fast Fourier Transform (FFT). Os sinais EEG foram filtrados por um filtro digital passa-faixa, cujas frequências variam em uma faixa de 0,5 a 42 Hz, por estarem relacionados ao movimento e à imaginação do movimento [11] e amostrados em uma taxa de 160 Hz.

A. Modelo Computacional O modelo proposto, consiste nas etapas de aquisição e pré-

processamento dos sinais, extração de características, classificação e acionamento da CRI. Esta interação é concebida através da utilização de componentes funcionais intermediários, ilustrados na Fig.1.

Fig. 1. Modelo computacional da interface cérebro-computador.

ROCHA PINHEIRO et al.: EEG SIGNALS CLASSIFICATION 255

Os sinais EEG brutos são lidos e armazenados em arquivos seguindo o formato European Data Format (EDF); em seguida, calcula-se a FFT dos sinais EEG. O sistema de controle recebe as informações de amplitude e frequência do sinal EEG e os armazenam em um vetor. Essas informações foram utilizadas na fase de treinamento e caracterização do modelo. Na fase de treinamento e classificação, os sinais EEG foram analisados durante uma janela de 1.0 segundo, que se desloca em intervalos de 0.5 segundos, evitando que eventos que ocorrem entre 1.0 segundo e outro não sejam detectados. O módulo de processamento do sinal é responsável pela recepção dos dados filtrados. Essa etapa consiste no processo de extração de características, treinamento e criação dos classificadores especialistas do modelo. Após a recepção desses dados, calcula-se a FFT a partir dos dados de entrada. O sistema de controle, baseado em informações de amplitude e frequência dos sinais EEG, calcula os atributos que contém os padrões de entrada para o vetor de características (VC). O vetor de características é composto por alguns atributos (espectro de potência do sinal), definidos por [12], que contém o padrão a ser analisado pelo processo de classificação. Esses atributos são:

• Média aritmética (MA): representa o valor médio do sinal (1). Na qual s é o valor do sinal da FFT e N o tamanho do vetor de características (S).

∑=

=1

][1)(n

NnS

Nsm (1)

• Energia (E): representa a área sob a curva descrita

pela função do sinal elevada ao quadrado (2).

∑=

=1

22 |][|1)(

n

NnS

NsE (2)

• Máximo valor da FFT (MVF): representa o ponto

onde ocorre o máximo valor da curva da FFT (3).

])[max()( nSsMVF = (3)

• Mínimo valor da FFT (FM): representa o ponto onde ocorre o valor mínimo da FFT (4).

])[min()( nSsFM = (4)

• Frequência dominante (FD): representa a frequência que possui maior amplitude, é a coordenada X do ponto onde ocorre o máximo valor da curva da FFT.

O resultado deste módulo, é a composição de cinco atributos que formam o vetor de características a partir do sinal de entrada, o qual servirá de entrada para os classificadores (RNA’s). O processo de classificação é realizado em duas etapas: treinamento (etapa de aprendizado) e classificação dos dados. Na etapa de treinamento, o modelo

do classificador é construído descrevendo um conjunto pré-determinado de classes. O sistema de controle extrai os atributos do vetor de características (MA, E, MVF, FM e FD) para realizar o treinamento dos classificadores (RNA’s), ou seja, construir o modelo de cada classificador, através do conjunto de dados de treinamento. Aos elementos de treinamento, são associados rótulos de classes às quais cada um pertence, sendo: 0 (corresponde a um exemplo falso) e 1 (corresponde a um exemplo verdadeiro). Esta etapa é conhecida como aprendizagem supervisionada, pois o rótulo da classe de cada elemento de treinamento é fornecido ao classificador (Fig. 2).

No modelo, teremos quatro classificadores especializados, ou seja, uma RNA será treinada, através de exemplos, para classificar uma determinada imaginação de movimento. A saída dessa RNA indicará o comando de movimentação da CRI.

Os sinais dos registros EEG utilizados para formatação dos elementos de treinamento foram adquiridos através do banco de dados eegmmidb - EEG Motor Movement/Imagery Dataset, capturado utilizando o sistema BCI2000 [13], disponível através do PhysioBank [14]. Este banco de dados, composto por mais de 1500 registros de um e dois minutos de sinais EEG, obtidos a partir de 109 voluntários. Os registros são disponibilizados no padrão European Data Format (EDF), contendo registros de 64 eletrodos, cada um amostrado em uma taxa de 160 Hz. Neste trabalho, foram avaliados os registros individuais dos eletrodos posicionados na região do córtex pré-frontal (Fp1 e Fp2). Os registros relacionados à imaginação de movimentos (punho esquerdo, punho direito, ambos os pés e ambos os punhos) foram utilizados para validação do modelo.

Na etapa de classificação dos dados, o modelo é utilizado para a tarefa de classificação, ou seja, a acurácia preditiva do

Fig. 2. Esquema: Processo de classificação.

TABELA I CLASSIFICADORES ESPECIALIZADOS

RNA Imaginação do movimento Direção (CRI)

Esquerdo Punho esquerdo Esquerda Direito Punho direito

Direito

Frente Ambos os punhos Frente Parar

Ambos os pés

Parar

256 IEEE LATIN AMERICA TRANSACTIONS, VOL. 16, NO. 1, JAN. 2018

classificador será estimada. O modelo da rede neural artificial utilizado neste trabalho de investigação será a Muilti Layer Perceptron (MLP) com o algoritmo de retropropagação do erro (backpropagation). De acordo com [15], o uso das redes neurais artificias no reconhecimento de padrões, sugere a possibilidade de identificar nos sinais EEG, características que expressem o comando de movimentos ou a intenção de movimento. Os resultados obtidos em [10], corroboraram que o classificador baseado em RNA foi mais eficiente em relação aos outros métodos: RNA: 57%; SVM: 43,55%; Bayes: 54,64%.

Cada rede é composta por 3 camadas (entrada, oculta e saída). O número de neurônios da camada de entrada da RNA é determinado pela dimensionalidade do vetor de características, sendo 5 neurônios. A quantidade de neurônios na camada de saída da rede foi definida com 2 neurônios, visto que o objetivo da rede é descriminar entre duas respostas (0 ou 1), ou seja, se os dados que representa a imaginação do movimento está presente no sinal (1) ou não (0). Já o número de neurônios da camada oculta da rede (5), segue a metodologia definida por [16].

outinhidden ×= (5)

Onde in é o número de neurônios da camada de entrada, out

é o número de neurônios da camada de saída da rede e hidden representa o número de neurônios da camada oculta da rede. Nesse caso, cada rede terá 3 neurônios na camada oculta da rede. O critério de decisão do sistema de controle é baseado na saída (respostas) das quatro RNA’s: Esquerdo (thread 1), Direito (thread 2), Frente (thread 3), Parar (thread 4). A Fig. 3 ilustra o esquema de critério de decisão do sistema. A instância de dados formada pelo vetor de características será submetida às quatro RNA’s. O sistema de controle irá criar 4 threads, representando cada uma das RNA’s.

Essa tarefa implica em um ponto de sincronização entre os processos (Barreira). Isto significa que todos os processos devem chegar a um determinado ponto, informar o resultado da classificação, antes de poderem começar a executar tudo novamente. A tarefa de decisão só acorrerá após todas as RNA’s tiverem informados o resultado da classificação. Assim, o sistema de controle acumula (6) o resultado de cada uma das RNA’s. Caso o acumulador seja igual a 1 (ACM = 1),

o sistema aciona o controle do dispositivo da CRI, informando o comando de direção a ser executado; caso contrário, o sistema descartará o resultado e iniciará novamente todo o processo.

4321 RRRRACM +++= (6) Onde R1 é a saída (resultado) da RNA esquerdo, R2 é a

saída RNA direito, R3 é a saída da RNA frente e R4 é a saída RNA parar.

Para o desenvolvimento do circuito de controle para acionamento da cadeira de rodas, foi utilizado o Arduino MEGA. Justifica-se a escolha do Arduino, por se tratar de uma plataforma eletrônica de código aberto baseada em hardware e software de fácil utilização e um conversor digital/analógico para enviar os sinais de tensão ao circuito do microcontrolador da cadeira de rodas motorizada. O circuito entre o Arduino e a cadeira de rodas faz a conversão de uma sequência de bits enviados da porta de I/O do Arduino para dois valores de tensão analógicos, que foram aplicados no circuito da cadeira de rodas. Para movimentar a cadeira de rodas, foram definidos cinco caracteres, cada um representando uma ação: parar, frente, ré, direita e esquerda. Escolheram-se os caracteres de “0” a “4” que representam, na tabela ASCII os decimais de 48 a 52. A Fig. 4 ilustra como foi colocada a caixa com o circuito de controle junto à cadeira de rodas e a aparência final da cadeira com a plataforma implementada.

O circuito foi colocado em uma caixa de plástico, perfurada para que os fios de comunicação e sinais de controle fossem conectados à cadeira de rodas e o computador. A caixa com o circuito foi colocada na parte traseira da cadeira de rodas, para que não ficasse visível ao usuário, garantindo que a estética original da cadeira não fosse modificada.

IV. RESULTADOS Os componentes do modelo foram implementados

utilizando a linguagem de programação Java, justifica-se a escolha dessa linguagem por ser multiplataforma, ou seja, é independente de sistema operacional. Assim, não será preciso reescrever os códigos do sistema quando for instalá-los em outro sistema operacional, pois a conversão é feita pela máquina virtual do Java. As classes relacionadas a camada de

Fig. 3. Critério de decisão do sistema de controle.

Fig. 4. Circuito de controle e caixa com o circuito junto à CRI.

ROCHA PINHEIRO et al.: EEG SIGNALS CLASSIFICATION 257

controle do dispositivo foram implementadas utilizando a linguagem de programação C++, representando o circuito de controle para acionamento da CRI. Nesse caso, a linguagem C++ foi escolhida em razão da utilização da plataforma Arduíno. Os registros de 106 voluntários foram utilizados nos testes. Dados de 3 voluntários (88, 92 e 100) apresentaram problemas na etapa de aquisição; por esse motivo, tais registros não foram considerados. Neste trabalho, foram utilizados apenas os eletrodos posicionados na região do córtex pré-frontal (Fp1 e Fp2).

Uma vez construída as redes neurais artificias, sua acurácia e capacidade de generalização foram testadas utilizando os dados processados de EEG que compõe o conjunto de amostras para testes. Dessa forma, foi possível analisar a viabilidade do uso das RNA’s propostas. Seguindo a recomendação de configuração padrão definida por [16], nesse experimento, a taxa de aprendizado foi configurada em 0.3, o termo de momentum foi configurado em 0.2 e o número de épocas foi configurado em 500. Para validação dos classificadores, o método holdout foi utilizado. Esse método, fornece uma proteção contra representações desiguais em ambos os conjuntos (treinamento e teste). O holdout repete o processo (treinamento e teste), várias vezes com amostras aleatórias diferentes. Em cada interação, 70% do conjunto de dados foi selecionada aleatoriamente para o treinamento e o restante, ou seja, 30% é usado para teste. 9538 instâncias, que corresponde a 30% do total de dados originados dos eletrodos Fp1 e Fp2, foram utilizados para validação dos classificadores.

Na Fig. 5, observa-se que o classificador “direito” (Fp1) obteve o melhor percentual de acerto: 75,23%. Já o classificador “esquerdo” (Fp2) obteve o menor percentual de acerto: 74,67%. Em média, os classificadores relacionados aos dados originados do eletrodo “Fp1” obtiveram melhor desempenho, totalizando: 74,96% de acerto, contra 74,87% do eletrodo “Fp2”. O classificador “direito” apresentou maior número de instâncias classificadas corretamente. Esta RNA é relacionada à imaginação de movimento do punho direito. Assim, das 9538 amostras utilizadas nos testes, 7175 foram classificadas corretamente, totalizando 75,23% de acerto.

Já o classificador “esquerdo” apresentou maior número de instâncias classificadas incorretamente: 2406, ou seja, o classificador responsável pelo processamento dos registros relacionados à imaginação de movimento do punho esquerdo apresentou pior desempenho, totalizando: 25,23% de erro.

Observa-se a partir dos resultados obtidos para os classificadores relacionados ao eletrodo Fp2, que o classificador “direito” apresentou maior número de instâncias classificadas corretamente: 7170, totalizando 75,17% de acerto. O classificador “esquerdo” apresentou maior número de instâncias classificadas incorretamente: 2416, totalizando 25,33% de erro.

A partir dos dados apresentados na Fig. 5, observa-se que as RNA’s relacionadas ao eletrodo Fp1 apresentaram uma média de 74,96% de acerto. Já para as RNA’s relacionadas ao eletrodo Fp2 esse percentual foi de 74,87%. Pode-se afirmar que as RNA’s (direito, esquerdo, frente e parar) responsáveis pela classificação dos dados originados do eletrodo Fp1, apresentaram melhores resultados.

V. CONCLUSÃO Este trabalho apresentou o desenvolvimento de uma

interface cérebro-computador não invasiva, baseada na imaginação de movimentos do punho esquerdo, punho direito, ambos os punhos e ambos os pés para controlar uma cadeira de rodas inteligente. A metodologia proposta é composta de uma etapa de pré-processamento, extração de características, classificação e acionamento da CRI. Na etapa de pré-processamento, os sinais EEG foram filtrados por um filtro digital passa-faixa, cujas frequências variam de 0.5 a 42 Hz. A extração de características é realizada através da FFT, após a decomposição do sinal, as informações do espectro de potência são separadas em um conjunto de cinco atributos: média aritmética, energia, máximo valor da FFT, mínimo valor da FFT e frequência dominante. Esses atributos contém o padrão a ser analisado pelos classificadores. O processo de classificação é baseado em aprendizado de máquina, onde o sistema de reconhecimento de padrões (RNA) foi treinado de forma supervisionada, para realizar a correta identificação das

Fig. 5. Percentual de acerto das RNA’s. Eletrodos: Fp1 e Fp2.

TABELA II RESULTADO RNA’S ELETRODO FP1

RNA Corretamente classificados Incorretamente classificados

Esquerdo 7132 2406 Direito 7175

2363

Frente 7141 2397 Parar

7151

2387

TABELA III RESULTADO RNA’S ELETRODO FP2

RNA Corretamente classificados Incorretamente classificados

Esquerdo 7122 2416 Direito 7170

2368

Frente 7125 2413 Parar

7149

2389

258 IEEE LATIN AMERICA TRANSACTIONS, VOL. 16, NO. 1, JAN. 2018

intenções de movimentos a partir das tarefas mentais. O processo de acionamento da CRI é responsável por realizar os movimentos na cadeira de rodas inteligente.

A porcentagem de instâncias classificadas corretamente apresentada pelas RNA’s especialistas, foi: 75,23% para imaginação de movimento do punho direito (classificador direito), 74,77% para imaginação de movimento do punho esquerdo (classificador esquerdo), 74,87% para imaginação de movimento de ambos os punhos (classificador frente) e 74,97% para imaginação de movimento de ambos os pés (classificador parar). Para esses classificadores, a média de acerto foi de 74,96%. Dessa forma, a interface cérebro-computador baseado nos resultados, mostrou-se útil para reconhecer padrões a partir de sinais EEG e controlar uma cadeira de rodas inteligente. Para a navegação da cadeira de rodas, grande autonomia é atribuída a cadeira de rodas inteligente, cujo sistema integrado, equipado com vários sensores, é capaz de executar uma navegação segura em um ambiente semi-estruturado. A proposta de uma interface cérebro-computador utilizando apenas um eletrodo para aquisição de sinais EEG, permite um menor consumo de energia permitindo a utilização do sistema por um período de tempo mais longo. As técnicas desenvolvidas nesta pesquisa são promissoras, o sistema destina-se a contribuir na ampliação da mobilidade de pessoas com graves comprometimentos motores. Uma fase experimental mais longa, com pessoas deficientes faz-se necessária, com o objetivo de uma avaliação mais completa.

REFERÊNCIAS [1] R. A. M. Braga, M. Petry, L. P. Reis, and A. P. Moreira, IntellWheels:

Modular development platform for intelligent wheelchairs, Journal of Rehabilitation Research & Development, vol. 48, pp. 1061-1076, Nov 2011.

[2] J. R. Wolpaw, N. Birbaumer, W. J. Heetderks, D. J. McFarland, P. H. Peckham, G. Schalk, E. Donchin, L. A. Quatrano, C. J. Robinson and T. M. Vaughan, Brain-computer interface technology: a review of the first international meeting, IEEE Transactions on Rehabilitation Engineering, vol. 8, no. 2, pp. 164-173, Jun 2000.

[3] J. R.Wolpaw, G. E. Loeb, B. Z. Allison, E. Donchin, O. F. do Nascimento, W. J. Heetderks, F. Nijboer, W. G. Shain and J. N. Turner, BCI meeting 2005-workshop on signals and recording methods, IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 14, no. 2, pp. 138-141, Jun 2006.

[4] S. Bhattacharyya, S. Shimoda and M. Hayashibe, A Synergetic Brain-Machine Interfacing Paradigm for Multi-DOF Robot Control, IEEE Transactions on Systems, Man, and Cybernetics: Systems, vol. 46, no. 7, pp. 957-968, July 2016.

[5] M. A. Eid, N. Giakoumidis and A. El Saddik, A Novel Eye-Gaze-Controlled Wheelchair System for Navigating Unknown Environments: Case Study With a Person With ALS, IEEE Access, vol. 4, pp. 558-573, 2016.

[6] B. J. Edelman, B. Baxter and B. He, EEG Source Imaging Enhances the Decoding of Complex Right-Hand Motor Imagery Tasks, IEEE Transactions on Biomedical Engineering, vol. 63, no. 1, pp. 4-14, Jan 2016.

[7] S. M. Lay and D. A. Pizarro, Robotic motion control with cognitive and facial detection via emotiv eeg, Revista chilena de ingeniería, scielo, vol. 23, no. 10, pp. 496-504, 2015.

[8] El-Madani Ahmad, Sorensen Helge BD, Kjr. W. Troels, E. Thomsen Carsten and Puthusserypady Sadasivan, Real-time brain computer interface using imaginary movements, EPJ Nonlinear Biomedical Physics, vol. 9, no. 3, 2015.

[9] Kaufmann Tobias, Herweg Andreas and Kübler Andrea, Toward brain-computer interface based wheelchair control utilizing tactually-evoked event-related potentials, Journal of NeuroEngineering and Rehabilitation, vol. 11, no. 1, pp. 1-17, 2014.

[10] B. M. Faria, L. P. Reis and N. Lau, Cerebral Palsy EEG Signals Classification: Facial Expressions and Thoughts for Driving an Intelligent Wheelchair, 2012 IEEE 12th International Conference on Data Mining Workshops, pp. 33-40, Dec 2012.

[11] D. Prutchi and M. Norris, Design and development of medical electronic instrumentation: a practical perspective of the design, construction, and test of material devices, New Jersey: John Wiley Sons, 2005.

[12] A. George and F. M. Azevedo, Identificação automática de complexos k e fusos do sono em sinais de eeg utilizando redes neurais e transformada wavelet, In: Anais do 8 Congresso Brasileiro de Redes Neurais. Florianópolis: SBRN, p. 1-6, 2007.

[13] G. Schalk, D. J. McFarland, T. Hinterberger, N. Birbaumer and J. R. Wolpaw, BCI2000: a general-purpose brain-computer interface (BCI) system, IEEE Transactions on Biomedical Engineering, vol. 51, no. 6, pp. 1034-1043, June 2004.

[14] Witkowski Matthias, Cortese Mario, Cempini Marco, Mellinger Jürgen, Vitiello Nicola and R. Soekadar Surjo, Enhancing brain-machine interface (BMI) control of a hand exoskeleton using electrooculography (EOG), Journal of NeuroEngineering and Rehabilitation, vol. 11, no. 1, pp. 1-6, 2014.

[15] J. Wolpaw and E. W. Wolpaw, Brain-Computer Interfaces: Principles and Practice. New York: Oxford University Press, 2012.

[16] Hall Mark, Frank Eibe, Holmes Geoffrey, Pfahringer Bernhard, Reutemann Peter and H. Witten Ian, The WEKA Data Mining Software: An Update, SIGKDD Explor. Newsl., vol. 11, no. 1, pp. 10-18, nov 2009.

Oberdan Rocha Pinheiro é Doutor e Mestre em Modelagem Computacional pela Faculdade de Tecnologia SENAI -CIMATEC - Departamento Regional da Bahia (Núcleo de Modelagem Computacional). Atualmente é Professor

da Faculdade de Tecnologia SENAI CIMATEC e desenvolve pesquisa na área de robótica de serviço. http://lattes.cnpq.br/4197802436808266.

Lynn Rosalina Gama possui Doutorado (2004) em Educação pela Universidade Federal da Bahia. O Pós-doutorado foi na área de Jogos eletrônicos e aprendizagem pela Università degli Studi di Torino, na Itália. Atualmente é professora e pesquisadora do SENAI -CIMATEC - Departamento Regional da Bahia (Núcleo

de Modelagem Computacional) e da Universidade do Estado da Bahia e professora visitante do Instituto Tecnológico de Bragança - Mirandela - Pt. http://lattes.cnpq.br/2226174429595901.

Josemar Rodrigues de Souza é Ph. D. em Informática e Mestre em Arquitetura de Computadores e Processamento Paralelo pela Universidad Autónoma de Barcelona - UAB. Possui Pós-Doutorado em Robótica Autônoma pela Universidade do Porto, Laboratório de Inteligência Artificial e Ciência de Computadores. É professor titular da Universidade do Estado da Bahia,

Professor do Doutorado Multi-institucional e Multidisciplinar em Difusão do Conhecimento. http://lattes.cnpq.br/5463076295727564.

ROCHA PINHEIRO et al.: EEG SIGNALS CLASSIFICATION 259