Bücher von Vinicius Bandeira

In recent years the studies in artificial intelligence and machine learning have been very widespread and therefore it is already common to see in many places pattern recognition algorithms being used, whether in an advertisement that you receive from a store, a chatbot that learns from mistakes made or in autonomous cars Google and Tesla. This work aims to recognize patterns of voluntary movements through artificial intelligence using voltage data from the brain and captured via electroencephalography (EEG). In this sense it is also proved that it is possible to pre-process the EEG signals, reducing the processing effort of the system, reducing the number of channels to be analyzed without damaging the recognition of patterns. In this scope it was possible to reduce the number of sensors from 64 to 18, reaching 72% of accuracy in the best case - which can be varied to 73% by manipulating the Artificial Neural Network (ANN). Thus, it is possible to prove that analyses based on signal theories generate satisfactory results with respect to the classification error

In den letzten Jahren haben sich die Studien im Bereich der künstlichen Intelligenz und des maschinellen Lernens weit verbreitet, so dass die Algorithmen zur Mustererkennung bereits an vielen Stellen zum Einsatz kommen, sei es in der Werbung, die Sie in einem Geschäft erhalten, in einem Chatbot, der aus Fehlern lernt, oder in autonomen Autos von Google und Tesla. Ziel dieser Arbeit ist die Erkennung von Mustern willkürlicher Bewegungen durch künstliche Intelligenz unter Verwendung von Spannungsdaten aus dem Gehirn, die mittels Elektroenzephalographie (EEG) erfasst werden. In diesem Sinne wird auch bewiesen, dass es möglich ist, die EEG-Signale vorzubehandeln, um den Verarbeitungsaufwand des Systems zu reduzieren und die Anzahl der zu analysierenden Kanäle zu verringern, ohne die Erkennung von Mustern zu beeinträchtigen. In diesem Rahmen war es möglich, die Anzahl der Sensoren von 64 auf 18 zu reduzieren und so im besten Fall eine Genauigkeit von 72 % zu erreichen, die durch die Manipulation des Künstlichen Neuronalen Netzes (ANN) auf 73 % steigen kann. So lässt sich nachweisen, dass auf Signaltheorien basierende Analysen zufriedenstellende Ergebnisse hinsichtlich des Klassifikationsfehlers liefern

Negli ultimi anni gli studi sull'intelligenza artificiale e l'apprendimento automatico sono stati diffusi e quindi è già comune vedere in molti luoghi l'utilizzo di algoritmi di riconoscimento dei modelli, sia in una pubblicità che si riceve da un negozio, un chatbot che impara dagli errori commessi o nelle auto autonome di Google e Tesla. Questo lavoro mira a riconoscere i modelli di movimenti volontari attraverso l'intelligenza artificiale utilizzando i dati di tensione dal cervello e catturati tramite elettroencefalografia (EEG). In questo senso si dimostra anche che è possibile pre-elaborare i segnali EEG, riducendo lo sforzo di elaborazione del sistema, riducendo la quantità di canali da analizzare senza danneggiare il riconoscimento dei modelli. In questo ambito è stato possibile ridurre il numero di sensori da 64 a 18, raggiungendo il 72% di precisione nel caso migliore - che può variare al 73% attraverso la manipolazione della rete neurale artificiale (ANN). Così, è possibile dimostrare che le analisi basate sulle teorie del segnale generano risultati soddisfacenti per quanto riguarda l'errore di classificazione

Ces dernières années, les études sur l'intelligence artificielle et l'apprentissage automatique se sont généralisées et il est donc déjà courant de voir dans de nombreux endroits des algorithmes de reconnaissance des formes utilisés, que ce soit dans une publicité que vous recevez d'un magasin, un chatbot qui apprend des erreurs commises ou dans les voitures autonomes de Google et Tesla. Ce travail vise à reconnaître des schémas de mouvements volontaires par le biais de l'intelligence artificielle en utilisant les données de tension du cerveau et capturées par électroencéphalographie (EEG). Dans ce sens, il est également prouvé qu'il est possible de prétraiter les signaux EEG, en réduisant l'effort de traitement du système, en réduisant le nombre de canaux à analyser sans nuire à la reconnaissance des modèles. Dans ce cadre, il a été possible de réduire le nombre de capteurs de 64 à 18, atteignant une précision de 72% dans le meilleur des cas - qui peut varier à 73% par la manipulation du réseau neuronal artificiel (ANN). Ainsi, il est possible de prouver que les analyses basées sur les théories du signal génèrent des résultats satisfaisants en ce qui concerne l'erreur de classification.

En los últimos años los estudios en inteligencia artificial y machine learning se han generalizado y por ello ya es habitual ver en muchos lugares algoritmos de reconocimiento de patrones que se utilizan, ya sea en un anuncio que recibes de una tienda, un chatbot que aprende de los errores cometidos o en los coches autónomos de Google y Tesla. Este trabajo pretende reconocer patrones de movimientos voluntarios mediante la inteligencia artificial utilizando datos de tensión del cerebro y capturados mediante electroencefalografía (EEG). En este sentido también se demuestra que es posible preprocesar las señales de EEG, reduciendo el esfuerzo de procesamiento del sistema, reduciendo la cantidad de canales a analizar sin perjudicar el reconocimiento de patrones. En este ámbito fue posible reducir el número de sensores de 64 a 18, alcanzando un 72% de precisión en el mejor de los casos -que puede variar hasta el 73% mediante la manipulación de la Red Neural Artificial (RNA). Así, es posible demostrar que los análisis basados en las teorías de la señal generan resultados satisfactorios en cuanto al error de clasificación