Classificador máquina de suporte vetorial com análise de Fourier aplicada em dados de EEG e EMG

The classifier support vector machine is used in several problems in various areas of knowledge. Basically the method used in this classier is to end the hyperplane that maximizes the distance between the groups, to increase the generalization of the classifier. In this work, we treated some problems of binary classification of data obtained by electroencephalography (EEG) and electromyography (EMG) using Support Vector Machine with some complementary techniques, such as: Principal Component Analysis to identify the active regions of the brain, the periodogram method which is obtained by Fourier analysis to help discriminate between groups and Simple Moving Average to eliminate some of the existing noise in the data. It was developed two functions in the software R, for the realization of training tasks and classification. Also, it was proposed two weights systems and a summarized measure to help on deciding in classification of groups. The application of these techniques, weights and the summarized measure in the classier, showed quite satisfactory results, where the best results were an average rate of 95.31% to visual stimuli data, 100% of correct classification for epilepsy data and rates of 91.22% and 96.89% to object motion data for two subjects.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

O classificador Máquina de Suporte Vetorial, que vem do termo em inglês \textit{Support Vector Machine}, é utilizado em diversos problemas em várias áreas do conhecimento. Basicamente o método utilizado nesse classificador é encontrar o hiperplano que maximiza a distância entre os grupos, para aumentar o poder de generalização do classificador. Neste trabalho, são tratados alguns problemas de classificação binária com dados obtidos através da eletroencefalografia (EEG) e eletromiografia (EMG), utilizando a Máquina de Suporte Vetorial com algumas técnicas complementares, destacadas a seguir como: Análise de Componentes Principais para a identificação de regiões ativas do cérebro, o método do periodograma que é obtido através da Análise de Fourier, para ajudar a discriminar os grupos e a suavização por Médias Móveis Simples para a redução dos ruídos existentes nos dados. Foram desenvolvidas duas funções no $software$ \textbf{R}, para a realização das tarefas de treinamento e classificação. Além disso, foram propostos 2 sistemas de pesos e uma medida sumarizadora para auxiliar na decisão do grupo pertencente. A aplicação dessas técnicas, pesos e a medida sumarizadora no classificador, mostraram resultados bastantes satisfatórios, em que os melhores resultados encontrados foram, uma taxa média de acerto de 95,31\% para dados de estímulos visuais, 100\% de classificação correta para dados de epilepsia e taxas de acerto de 91,22\% e 96,89\% para dados de movimentos de objetos para dois indivíduos.