Otimização dos parametros de um controlador pid para uma interface cérebro-máquina com neurofeedback baseado em potencial evocado visual de regime permanente
Made available in DSpace on 2019-03-30T00:14:19Z (GMT). No. of bitstreams: 0 Previous issue date: 2017-06-30 === Neurofeedback based systems play a major role in psychological and rehabilitation treatments, correcting disturbances in brain functioning, stimulating and developing the abilities of t...
Main Author: | |
---|---|
Other Authors: | |
Language: | Portuguese |
Published: |
Universidade de Fortaleza
2017
|
Subjects: | |
Online Access: | https://uol.unifor.br/oul/ObraBdtdSiteTrazer.do?method=trazer&ns=true&obraCodigo=101670 http://dspace.unifor.br/handle/tede/101670 |
id |
ndltd-IBICT-oai-dspace.unifor.br-tede-101670 |
---|---|
record_format |
oai_dc |
collection |
NDLTD |
language |
Portuguese |
sources |
NDLTD |
topic |
Neurociência computacional Interface homem-máquina |
spellingShingle |
Neurociência computacional Interface homem-máquina Nogueira, Daniel Fontenele Otimização dos parametros de um controlador pid para uma interface cérebro-máquina com neurofeedback baseado em potencial evocado visual de regime permanente |
description |
Made available in DSpace on 2019-03-30T00:14:19Z (GMT). No. of bitstreams: 0
Previous issue date: 2017-06-30 === Neurofeedback based systems play a major role in psychological and rehabilitation treatments, correcting disturbances in brain functioning, stimulating and developing the abilities of the individuals who use them. To make these systems faster and more accurate, digital controllers, such as PIDs, contribute to better responses to the stimuli used throughout the treatments, and the parameters of the controllers have a great influence on the success of the method. This work seeks to automate parameter calculations and investigates their responses to a single step input for the four types of digital controllers most used (proportional, proportional-derivative, proportional-integrative and proportional-integral-derivative) to control a Brain Computer Interface with Neurofeedback using Steady State Visually Evoked Potential (SSVEP). The calculations of these parameters were performed considering the Ziegler-Nichols Rule Reaction Curve method, determining and analysing the transfer functions of these systems. Thus, it is possible to decompose the Signal-Noise Ratio (SNR) data obtained from an electroencephalogram cap using 34 channels in eleven healthy individuals. As a result, this study concludes that, for the studied samples, the PID controller and the parameter optimisations of this controller contribute strongly to the SSVEP system being robust and can provide quite satisfactory clinical results
Keywords: Neurofeedback. Computational Neuroscience. Occipital. EEG. SNR. SSVEP. Digital controller. Ziegler-Nichols. === Sistemas baseados em Neurofeedback tem grande atuação nos tratamentos psicológicos e de reabilitação, corrigindo distúrbios no funcionamento cerebral, estimulando e desenvolvendo as habilidades dos indivíduos que os utilizam. Para tornar esses sistemas mais rápidos e precisos, controladores digitais, tais como os do tipo PID, contribuem para melhores respostas aos estímulos usados ao longo dos tratamentos, sendo os parâmetros dos controladores de grande influência para o sucesso do método. Este trabalho busca automatizar os cálculos dos parâmetros e analisar suas respostas a uma entrada de degrau unitário para os quatro tipos de controladores digitais mais utilizados (proporcional, proporcional-derivativo, proporcional-integrativo e proporcional-integral-derivativo) para controle de uma interface cérebro máquina com Neurofeedback utilizando Potencial Evocado Visual de Regime Permanente (SSVEP). Os cálculos destes parâmetros foram realizados considerando o método da Curva de Reação das Regras de Ziegler-Nichols, determinando e analisando as funções de transferência destes sistemas. Desta forma, é possível decompor os dados da Razão Sinal-Ruído (SNR) obtidos a partir de uma touca para Eletroencefalograma que utiliza 34 canais em onze indivíduos sadios. Como resultado, este trabalho conclui que, para as amostras estudadas, o controlador do tipo PID e as otimizações dos parâmetros deste controlador contribuem fortemente para que o sistema SSVEP seja robusto, podendo propiciar resultados clínicos bastante satisfatórios.
Palavras-chave: Neurofeedback. Neurociência computacional. Occipital. EEG. SNR. SSVEP. Controlador digital. Ziegler-Nichols. |
author2 |
Albuquerque, Victor Hugo Costa de |
author_facet |
Albuquerque, Victor Hugo Costa de Nogueira, Daniel Fontenele |
author |
Nogueira, Daniel Fontenele |
author_sort |
Nogueira, Daniel Fontenele |
title |
Otimização dos parametros de um controlador pid para uma interface cérebro-máquina com neurofeedback baseado em potencial evocado visual de regime permanente |
title_short |
Otimização dos parametros de um controlador pid para uma interface cérebro-máquina com neurofeedback baseado em potencial evocado visual de regime permanente |
title_full |
Otimização dos parametros de um controlador pid para uma interface cérebro-máquina com neurofeedback baseado em potencial evocado visual de regime permanente |
title_fullStr |
Otimização dos parametros de um controlador pid para uma interface cérebro-máquina com neurofeedback baseado em potencial evocado visual de regime permanente |
title_full_unstemmed |
Otimização dos parametros de um controlador pid para uma interface cérebro-máquina com neurofeedback baseado em potencial evocado visual de regime permanente |
title_sort |
otimização dos parametros de um controlador pid para uma interface cérebro-máquina com neurofeedback baseado em potencial evocado visual de regime permanente |
publisher |
Universidade de Fortaleza |
publishDate |
2017 |
url |
https://uol.unifor.br/oul/ObraBdtdSiteTrazer.do?method=trazer&ns=true&obraCodigo=101670 http://dspace.unifor.br/handle/tede/101670 |
work_keys_str_mv |
AT nogueiradanielfontenele otimizacaodosparametrosdeumcontroladorpidparaumainterfacecerebromaquinacomneurofeedbackbaseadoempotencialevocadovisualderegimepermanente AT nogueiradanielfontenele optimizationoftheparametersofapidcontrollerforabrainmachineinterfacewithneurobiofeedbackbasedonpotentialevocadovisualofpermanentregimeingles |
_version_ |
1719009234248531968 |
spelling |
ndltd-IBICT-oai-dspace.unifor.br-tede-1016702019-04-02T07:41:15Z Otimização dos parametros de um controlador pid para uma interface cérebro-máquina com neurofeedback baseado em potencial evocado visual de regime permanente OPTIMIZATION OF THE PARAMETERS OF A PID CONTROLLER FOR A BRAIN-MACHINE INTERFACE WITH NEUROBIOFEEDBACK BASED ON POTENTIAL EVOCADO VISUAL OF PERMANENT REGIME (Inglês) Nogueira, Daniel Fontenele Albuquerque, Victor Hugo Costa de Soares, Ernesto Saias Alexandria, Auzuir Ripardo de Felix, John Hebert da Silva Albuquerque, Victor Hugo Costa de Soares, Ernesto Saias Neurociência computacional Interface homem-máquina Made available in DSpace on 2019-03-30T00:14:19Z (GMT). No. of bitstreams: 0 Previous issue date: 2017-06-30 Neurofeedback based systems play a major role in psychological and rehabilitation treatments, correcting disturbances in brain functioning, stimulating and developing the abilities of the individuals who use them. To make these systems faster and more accurate, digital controllers, such as PIDs, contribute to better responses to the stimuli used throughout the treatments, and the parameters of the controllers have a great influence on the success of the method. This work seeks to automate parameter calculations and investigates their responses to a single step input for the four types of digital controllers most used (proportional, proportional-derivative, proportional-integrative and proportional-integral-derivative) to control a Brain Computer Interface with Neurofeedback using Steady State Visually Evoked Potential (SSVEP). The calculations of these parameters were performed considering the Ziegler-Nichols Rule Reaction Curve method, determining and analysing the transfer functions of these systems. Thus, it is possible to decompose the Signal-Noise Ratio (SNR) data obtained from an electroencephalogram cap using 34 channels in eleven healthy individuals. As a result, this study concludes that, for the studied samples, the PID controller and the parameter optimisations of this controller contribute strongly to the SSVEP system being robust and can provide quite satisfactory clinical results Keywords: Neurofeedback. Computational Neuroscience. Occipital. EEG. SNR. SSVEP. Digital controller. Ziegler-Nichols. Sistemas baseados em Neurofeedback tem grande atuação nos tratamentos psicológicos e de reabilitação, corrigindo distúrbios no funcionamento cerebral, estimulando e desenvolvendo as habilidades dos indivíduos que os utilizam. Para tornar esses sistemas mais rápidos e precisos, controladores digitais, tais como os do tipo PID, contribuem para melhores respostas aos estímulos usados ao longo dos tratamentos, sendo os parâmetros dos controladores de grande influência para o sucesso do método. Este trabalho busca automatizar os cálculos dos parâmetros e analisar suas respostas a uma entrada de degrau unitário para os quatro tipos de controladores digitais mais utilizados (proporcional, proporcional-derivativo, proporcional-integrativo e proporcional-integral-derivativo) para controle de uma interface cérebro máquina com Neurofeedback utilizando Potencial Evocado Visual de Regime Permanente (SSVEP). Os cálculos destes parâmetros foram realizados considerando o método da Curva de Reação das Regras de Ziegler-Nichols, determinando e analisando as funções de transferência destes sistemas. Desta forma, é possível decompor os dados da Razão Sinal-Ruído (SNR) obtidos a partir de uma touca para Eletroencefalograma que utiliza 34 canais em onze indivíduos sadios. Como resultado, este trabalho conclui que, para as amostras estudadas, o controlador do tipo PID e as otimizações dos parâmetros deste controlador contribuem fortemente para que o sistema SSVEP seja robusto, podendo propiciar resultados clínicos bastante satisfatórios. Palavras-chave: Neurofeedback. Neurociência computacional. Occipital. EEG. SNR. SSVEP. Controlador digital. Ziegler-Nichols. 2017-06-30 2019-03-30T00:14:19Z 2017-06-30 info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/masterThesis https://uol.unifor.br/oul/ObraBdtdSiteTrazer.do?method=trazer&ns=true&obraCodigo=101670 http://dspace.unifor.br/handle/tede/101670 por 5443571202788449035 500 500 -7645770940771915222 info:eu-repo/semantics/openAccess Universidade de Fortaleza Mestrado Em Informática Aplicada UNIFOR Brasil Centro de Ciências Tecnológicas reponame:Biblioteca Digital de Teses e Dissertações da UNIFOR instname:Universidade de Fortaleza instacron:UNIFOR |