dc.contributor.advisor | Rodrigues, Cesar Ramos | |
dc.creator | Cassenote, Vanessa | |
dc.date.accessioned | 2022-07-07T13:26:47Z | |
dc.date.available | 2022-07-07T13:26:47Z | |
dc.date.issued | 2017-12-15 | |
dc.date.submitted | 2017 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/25280 | |
dc.description | Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa
Maria, Centro de Tecnologia, Curso de Engenharia de Computação, RS, 2017. | por |
dc.description.abstract | This work in progress reports the first results of a project which purpose is the implementation
of a microprocessed system for the detection of fatigue, or state of drowsiness, from
electroencephalogram (EEG) signals. The use of the Orange Pi Zero platform allows it to
have a sleep stage classification system in a compact, mobile and real-time way. So far, the
EEG signals used come from a public database, which were acquired from 20 volunteers
resulting in 39 signal files with 20 hours of recording. These signal files are divided into epochs
(30-second tracks) from which the important frequency bands for the sleep analysis are
filtered with the Daubechies’ discrete wavelet transform, and then features are extracted.
These features are statistical measures that have as main benefits the reduction of data
volume and the highlight of information from the signal, being they the variance, kurtosis
and skewness. From these, one can train the random forest classifier to identify whether
the patient is awake (W) or sleeping (SLP). The performance of the signal classification is
measured by the accuracy calculation, which yields 97% for the test group, corresponding
to 40% of the input data (106,285 epochs). Also in this work was made the analysis of the
cases where the classifier predicts sleep state with at least one time in advance for a patient
and, it was realized that the variance is the most relevant feature for the classifier. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Aberto | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Processamento de sinais | por |
dc.subject | EEG | por |
dc.subject | Sonolência | por |
dc.subject | Signal processing | eng |
dc.subject | Drowsiness | eng |
dc.title | Identificação da condição de sono a partir de características extraídas de sinais de EEG utilizando um módulo Orange Pi Zero | por |
dc.title.alternative | Identification of drowsiness condition from feature extraction of EEG signals using a Orange Pi Zero module | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil. | por |
dc.description.resumo | Este trabalho em andamento relata os primeiros resultados de um projeto cujo propósito é
a implementação de um sistema microprocessado para detecção da fadiga, ou estado de
sonolência, a partir de sinais de eletroencefalograma (EEG). O uso da plataforma Orange
Pi Zero permite que se tenha um sistema de classificação de estágios de sono de forma
compacta, móvel e em tempo real. Até então, os sinais de EEG utilizados são oriundos de
um banco de dados público, os quais foram adquiridos de 20 voluntários resultando em 39
arquivos de sinais com 20 horas de gravação. Estes são divididos em épocas (ou faixas
de 30 segundos) de onde são filtradas as faixas de frequências importantes para a análise
do sono com a transformada wavelet discreta de Daubechies e, em seguida, são extraídas
características. Estas características são medidas estatísticas que tem como principais
benefícios a redução do volume de dados e o destaque de informações do sinal, sendo
elas a variância, a curtose e a assimetria. A partir delas pode-se treinar o classificador
florestas aleatórias para identificar se o paciente está acordado (W) ou dormindo (SLP). O
desempenho da classificação dos sinais é medido pelo cálculo da acurácia, o qual obteve-se
97% para o grupo de teste, que corresponde à 40% dos dados de entrada (106.285
épocas). Além disso, foram analisados os casos em que o classificador prevê o estado de
sono com pelo menos uma época de antecedência para um paciente e, percebeu-se que
a variância é a característica mais relevante para o classificador. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS | por |
dc.publisher.unidade | Centro de Tecnologia | por |