UNIVERSIDADE FEDERAL DA ABC – UFABCPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - PPGINF
DOUTORADO
MARCELO BEZERRA GRILO JÚNIOR
ELETROENCEFALOGRAMA E EMOÇÕES
IVA APLICADO NA REMOÇÃO DE ARTEFATOS EM SINAIS DE EEG SUBMETIDOS A ANÁLISES DE EMOÇÕES
Orientadora: Profa. Dra. Aline de Oliveira Neves Panazio
ROTEIRO
• EMOÇÕES– PORQUE EMOÇÃO?
• EEG– PORQUE O EEG?
• ARTEFATOS– O PROBLEMA
• BSS– ICA
– IVA
• ASSIMETRIA HEMISFÉRICA EMOCIONAL
INTRODUÇÃO
• Tecnologia aplicada à saúde
• Emoções– Emoções autorreferenciadas
– Emoções vicárias• Empatia
• Captação de manifestação de atividades fisiológicas– Sinais biológicos
• ECG, EMG, GSR, EEG
(JAMES, 1884; DAMASIO, 2009)
ELETROENCEFALOGRAFIA
Thakor, N. IEEE LifesciencesNewsletter, April 2012
Varela, F., Lachaux, J., Rodriguez, E., Martinerie, J. Nature Rev. Neurosci. 2(4), 2001
Cardíaco
Muscular
Piscar
ARTEFATOS
Rejeição de segmentos do sinal (épocas) a partir de inspeção visual, ou ainda a partir daescolha de um limiar de rejeição. Contudo, a utilização apenas desses métodos podemacarretar em grande perda de amostras do sinal.
BSS (Blind Source Separation)
5/28
• A separação cega de fontes (BSS) é proposta quando háincidência de vários sinais de diferentes fontes e váriosreceptores.
• No EEG, cada canal capta uma mistura ligeiramentediferente dos sinais das fontes originais.
• Independentes
• Não gaussianas
• Sensores (misturas) ≥ Fontes
• Matriz quadrada
• Aleatórios
ICA (Independent Componente Analysis)
• Graphic user interface
• Multiformat data importing
• High-density data scrolling
• Interactive plotting functions
• Semi-automated artifact removal
• ICA & time/frequency transforms
• Event & channel location handling
• Forward/inverse head/source modeling
• Defined EEG data structure
• Many advanced plug-in/extension toolboxes
https://sccn.ucsd.edu/eeglab
EEGLab
Fonte: Swartz Center EEGLAB team
Aquisição do Sinal de EEG
Importar os canais
(localização) e eventos
Realizar a filtragem do
Sinal
Referenciar a montagem
Identificar e REJEITAS
canais ruins
Rodar ICA
Rejeitar épocas ou artefatos visíveis
Examinar o sinal não tratado
Importar o sinal para o
EEGLab
PRÉ-PROCESSAMENTO
Remoção IC’s ANÁLISE DOS SINAIS
EEG PARA DIFERENTES EMOÇÕES
Aquisição
dos sinais
Wavelet
Canais e
Trechos
Pre-
Processamento
Tempo-
Frequência
Curva
Potência
Média
STFT
SPSS
%
Tempo-
Frequência
Curva
Potência
Média
SPSS
%
Etapas/Situações Mentais:
1. Relaxado: temperatura controlada entre 20oC e 24oC e luminosidade reduzida.
Vídeo: “Relaxing with Music Relaxing Sounds for Sleep and Relax“.
2. Raiva/Compaixão/Tristeza: Emoção vicária (empatia).Vídeo1: “Bebê morre ao ser esquecido no carro”.Vídeo 2: “Babá é presa por maltratar bebê”.
3. Estresse/Confusão: Exercício de raciocínio lógico.
Sampaio et al., (2013)
Aquisição
dos sinais
Wavelet
Canais e
Trechos
Pre-
Processamento
Tempo-
Frequência
Curva
Potência
Média
STFT
SPSS
Tempo-
Frequência
Curva
Potência
Média
SPSS
Wavelet Morlet.
• Tempo-Frequência.Espectrogramas.
• Curva de Potência Média.8-30 Hz.Normalizada.
• Estatística – 95% de confiança.Canais – teste t para amostras pareadas.Hemisférios – teste de Wilcoxon para 2amostras relacionadas.Sexo – teste Mann-Whitney.
EEG PARA DIFERENTES EMOÇÕES
CURVA DE POTÊNCIA MÉDIA
• Temporal (RAIVA)
Homem3 Mulher8
5 10 15 20 25 30 5 10 15 20 25 30
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
ASSIMETRIA HEMISFÉRICA
*média em dB **Wilcoxon, p < 0,05
Fonte: Davidson et al. (1990), Hellige (1993), Adolphs et al. (1996), Holczberger et al. (2012), Wang, Nie e Lu (2014)
ASSIMETRIA HEMISFÉRICA
• O EEG é uma técnica que pode ser usada para catalogaremoções.
• A atividade elétrica cerebral é uma atividade fisiológicaque involuntariamente representa uma respostaemocional do sujeito.– Não há diferença entre sexo (z= -1,157; p=0,247)
• Quando um indivíduo apresenta uma emoção negativa,mesmo de forma vicária, através de sentimentosempáticos, o hemisfério direito cerebral apresenta maioratividade elétrica que o esquerdo.
CONCLUSÕES
• A implementação da transformada de Fourier pelaferramenta (EEGLab) não é uma boa técnica a ser adotadapara analisar sinais de EEG relacionados à emoção.– Nesse caso, o uso da transformada wavelet deve ser adotado.
• Artefatos têm grande influência na atividade do sinal deEEG.
• A correlação de emoções e atividade fisiológica.– Novos estudos utilizando outros tipos de sinais biológicos como o
ECG, EMG e reconhecimento facial
REFERÊNCIAS
• JAMES, W. What is an emotion?. Oxford University Press on behalf of the Mind Association . vol. 9, n. 34.p.188–205. 1884.
• DAMASIO, A. E o cérebro criou o Homem. Ed. Schwarcz. Companhia de Letras, 286p. São Paulo, SP. 2009.
• FOZ, F. B.; SILVINO, A. P.; RONDÓ, A. G.; BURSZTYN, C. S.; RODELLA, E. C.; LUCCHINI, F. L. P.; FUINI, M. G.Análise da atividade cerebral durante a compreensão de charadas. Núcleo de estudos e aprendizagem ecognição, CAAD – UNICID. Jundiaí, SP. 2011.
• AKIN, M. Comparison of wavelet Transform and FFT Methods in the Analysis of EEG Signals. Journal of Medical System. v.26. P241-247. Jun, 2002.
• ADUR, R. Sistema de processamento de sinais biomédicos: módulo didático de eletroencefalograma. 2008.137p. Dissertação (Mestrado em Engenharia Elétrica), Pós Graduação em Engenharia Elétrica, UniversidadeFederal de Santa Catarina (UFSC), Florianópolis, SC. 2008.
• CRESWELL. J. W. Projeto de pesquisa: métodos qualitativo, quantitativo e misto. 248p. 2ª edição. Artmed,Bookman. Porto Alegre, RS. 2007.
• SAMPAIO, L. R; MOURA, M. A. R; GUIMARÃES, P. R. B; SANTANA, L. B; CAMINO, C. P. S. Sentimentos Empáticosem Crianças, Adolescentes e Adultos. Psicologia: Teoria e Pesquisa. v. 29 n. 4, p. 393-401. 2013.
• JACOBS, J.; HWANG, G.; CURRAN, T.; KAHANA, M. J. EEG oscillations and recognition memory: Teta correlates of memory retrieval and decision making. NeuroImage. v.32. P978 – 987. 2006.
• HINRIKUS, H; PARTS, M; LASS, J; TUULIK, V. Effect of low frequency modulated microwave exposure on humanEEG: individual sensitivity. Revista de bioeletromagnetismo, Nova Iorque, EUA. 2008.
REFERÊNCIAS
• STREITBERGER K; STEPPAN J; MAIER C; HILL H; BACKS J; PLASCHKE K. Effects of verum acupuncture compared toplacebo acupuncture on quantitative EEG and heart rate variability in healthy volunteers. Journal of alternative andcomplementary medicine (New York, N.Y.). 2008.
• AMABILE, R. A. N. Remoção de artefatos e análise de parâmetros espectrais em sinais de EEG: Efeitos do fármacoflunitrazepam. 2008. 76p Dissertação (Mestrado em Engenharia Elétrica). Escola de Engenharia da UFMG. UniversidadeFederal de Minas Gerais, MG. 2008.
• LIU, Y.; SOURINA, O.; NGUYEN, M. K. Real-time EEG-based Emotion Recognition and its Applications. Transactions onComputational Science XXIII. V8490. P 199-223. 2014.
• CATON, R. The electric current of the brain. British Medical Journal, v.2. 1875.
• Li, R., e Principe, J. C. (2006). Blinking Artifact Removal in Cognitive EEG Data Using ICA, Proceedings of the 28th IEEE, New York City, USA, pp. 5273−5276.
• HAO, J.; LEE, I.; SEJNOWSKI, T. J. Independent Vector Analysis for Source Separation Using a Mixture of Gaussians Prior. Neural Comput. Jun; 22(6): 1646–1673. 2010.
• HYVARINE, A.; KARHUNEN, J.; OJA, E. Independent Component Analysis. John Wiley & Sons, INC. 2001.
• CHEN, X., PENG, H., YU, F., WANG, K. Independent Vector Analysis Applied to Remove Muscle Artifacts in EEG Data. IEEE Instrumentation and Measurement Society. 1770 – 1779. 2017
Top Related