UNIVERSIDADE FEDERAL DE VIOSA

CENTRO DE CINCIAS EXATAS E TECNOLGICAS

DEPARTAMENTO DE ENGENHARIA ELTRICA E PRODUO
PROJETO DE MONOGRAFIA

ANA PAULA DE SOUZA

DETECO DE RESPOSTAS EVOCADAS NO EEG

USANDO TCNICAS DE INTELIGNCIA
COMPUTACIONAL

VIOSA
MINAS GERAIS - BRASIL
DEZEMBRO/2007
 ANA PAULA DE SOUZA

DETECO DE RESPOSTAS EVOCADAS NO EEG

USANDO TCNICAS DE INTELIGNCIA
COMPUTACIONAL

Monografia apresentada para concluso

do curso de graduao em Engenharia
Eltrica da Universidade Federal de
Viosa.

Orientador: Leonardo Bonato Felix

VIOSA
MINAS GERAIS - BRASIL
DEZEMBRO/2007
2
 ANA PAULA DE SOUZA

DETECO DE RESPOSTAS EVOCADAS NO EEG

USANDO TCNICAS DE INTELIGNCIA
COMPUTACIONAL

Monografia apresentada para concluso

do curso de graduao em Engenharia
Eltrica da Universidade Federal de
Viosa.

Aprovada: 12 de dezembro de 2007.

______________________________ ______________________________
Prof. Dr. Andr Gomes Torres Profa. M.s. Ktia Soares Moreira

_____________________________________________
Prof. Dr. Leonardo Bonato Felix
(Orientador)

3
DEDICATRIA

Aos meus pais, minha irm e aos meus tios

Ao meu noivo Gustavo

4
AGRADECIMENTOS

Agradeo imensamente aos meus pais pela educao, pelos valores morais e apoio constante.
Estendo ainda meus agradecimentos minha irm que, distante ou no, foi amiga e soube me
advertir quando precisei.

Aos meus tios, pela oportunidade, pelos conselhos e amizade. Em especial ao Moacir, grande
amigo que muito admiro. Sempre presente expondo oportunidades de crescimento mesmo nas
ocasies difceis.

Ao meu noivo Gustavo, pelos vrios momentos doados a esse projeto. Por ter respeitado minha
ausncia e pela pacincia durante as crises.

Aos meus amigos, Douglas, Gleison, Marcelo e Tatiana. Companheiros de muitas noites mal
dormidas, muito desespero, discusses mas, acima de tudo, amizade.

Ao meu orientador, Leonardo Bonato, pelos valiosos ensinamentos. Tambm pela amizade e
pacincia durante os instantes de desnimo.

A Priscila, Cintya e Olvia que me receberam em Viosa, me apoiando nos primeiros percalos
encontrados neste lugar.

A Paulinha, J e Deise que me acompanharam nos ltimos trs anos, trocando experincias,
conselhos e risos.

5
Existe uma coisa que uma longa existncia me
ensinou: toda a nossa cincia, comparada
realidade, primitiva e inocente; e, portanto, o que
temos de mais valioso.

Albert Einstein

6
RESUMO

O estudo de Potenciais Evocados (PEs) tem sido amplamente utilizado em vrios campos
da neurocincia. Estes so referentes s respostas cerebrais resultantes de um estmulo externo,
sendo o eletroencefalograma (EEG) simultaneamente registrado. No entanto, a anlise desses
registros de EEG visual, o que a torna bastante subjetiva e demanda intensa responsabilidade do
clnico que o avalia. Sendo assim, tcnicas de cunho quantitativo podem auxiliar na observao
desses exames. Atualmente, uma das tcnicas de grande aceitabilidade a Deteco Objetiva de
Respostas (ORD) das quais se destaca a Magnitude Square Coherence (MSC) ou coerncia. Essa
medida, associada aos mecanismos conexionistas, como Redes Neurais Artificiais (RNAs) e
neurofuzzy, apresenta dinamismo na soluo de problemas. No presente trabalho, ambas as
tcnicas conexionistas foram utilizadas para identificar a taxa de deteco de 15 indivduos
normais. O EEG foi coletado quando os pacientes estavam sob foto-estimulao intermitente
(FEI) com intensidade de 6 ciclos por segundo e tambm quando os mesmos estavam sem o
estmulo. Os eletrodos analisados foram O1, O2, P3, P4, C3 e C4, sendo considerada a coerncia
entre dois (O1 e O2), quatro (O1, O2, P3 e P4) e seis (O1, O2, P3, P4, C3 e C4). Quando a
coerncia foi realizada com apenas dois canais (O1 e O2) as redes sem a presena do ritmo alfa
cerebral tiveram menor erro quadrtico (aproximadamente 0,002). Alm disso, pudemos notar
maior eficincia quando o mtodo empregado foi a RNA, cujo coeficiente de correlao disps-
se em torno de 0,98. Por fim, conclumos que a melhor soluo do problema apresentou-se
quando utilizamos redes neurais, com coerncia estimada usando dois canais e sem considerar o
ritmo alfa. O erro para essa configurao foi de 0,0005. Logo, verificamos que no necessrio
fazer a coerncia entre os seis eletrodos e o ritmo alfa no relevante para o desempenho de
detectores automticos de respostas evocadas.

Palavras-chave: Deteco, Potencial evocado, EEG, coerncia, Redes Neurais e Redes

Neurofuzzy.

7
ABSTRACT

The presence of cerebral Evoked Potential (EP) has been used in many fields of
neuroscience. Those are electrical manifestations of the brains reception of and in response to an
external stimulus. However, electroencephalograms (EEG) analysis is visual and requires the
subjective interpretation of the test results. Therefore, objective and quantitative techniques are
required, based only in statistical criteria. The technique used in this paper to detected changes in
an EEG synchronous with the stimuli is the Magnitude Square Coherence (MSC). Such a
measure, that is a technique of Objective Detection of Response (ORD) class, when associated
with neural and neurofuzzy networks may be helpful in EEG investigation. In this work, both
networks (Neural and Neurofuzzy - Wang and Anfis) were used in order to identify the detection
rate in EEG of 15 normal subjects during photic stimulation. Thus, the EEG was collected in
scalp posterior regions and the stimulation frequency was 6 Hertz. The analysis is proposed using
two (O1 e O2), four (O1, O2, P3 e P4) and six EEG derivations (O1, O2, P3, P4, C3 e C4). In this
first case, when two EEG derivations were used, both networks showed root mean squared error
near of 0,002, when cerebral alpha rhythmic wasnt evaluated. Furthermore, the neural networks
implementations achieved the best results, with correlation coefficients around 0,98.
Nevertheless, the suitable structure to problems solution was the neural network, with two canals
(O1 and O2) and without alpha. Such structure reached error 0,0005. Thus, the investigation with
four and six derivations and cerebral alpha rhythmic werent important at the problem proposed.

Keywords: Detection, Evoked potential, EEG, Coherence, Neural Networks and Neurofuzzy.

8
LISTA DE FIGURAS

Figura 1 Modelo linear multivarivel que representa o EEG durante fotoestimulao, sendo que
x[k] o sinal de estimulao que ser filtrado (Hj(f)), tendo como resultado as respostas
evocadas. Os sinais EEG so representados por yj[k], que so obtidos pelo somatrio das
respostas evocadas com nj[k] (EEG de fundo) (MIRANDA DE S et al., 2004). ........................19
Figura 2 Rede neural MLP com duas camadas intermedirias, m entradas e o sadas (SCIELO,
2007). ...................................................................................................................................................22
Figura 3 Rede Wang com duas camadas intermedirias. ..............................................................26
Figura 4 Anfis com duas entradas (x1 e x2) e uma sada. A primeira etapa a camada de
fuzzificao em que cada elemento de entrada associado a duas regras. Posteriormente temos a
camada de normalizao dos pesos e, por fim, a defuzzificao atravs das funes de pertinncia
de sada. ...............................................................................................................................................30
Figura 5 Sistema Internacional 10 20, onde Fp representa a regio fronto polar, C a regio
central, T a temporal, e O a occipital. As letras que so seguidas por nmeros representam os
hemisfrios direito (nmeros pares) e esquerdo (nmeros mpares). J as que so seguidas pela
letra z representam a linha mdia. Os eletrodos O1, O2, P3, P4, C3 e C4 foram os utilizados neste
trabalho (TAFNER, 1999)..................................................................................................................31
Figura 6 Sinais dos eletrodos O1 e O2 no tempo e na freqncia de um paciente sob FEI.........31
Figura 7 Caractersticas do ritmo alfa cerebral com e sem a presena da FEI. Esta avaliao
referente ao espectro do eletrodo O2 de quatro pacientes. A freqncia da FEI aplicada 6 Hertz.
..............................................................................................................................................................32
Figura 8 Taxa de deteco referente a dois canais (O1 e O2) de um indivduo sob FEI. ...........33
Figura 9 Taxa de deteco referente a quatro canais (O1, O2, P3 e P4) de um indivduo sob
FEI........................................................................................................................................................34
Figura 10 Taxa de deteco referente a seis canais (O1, O2, P3, P4, C3 e C4) de um indivduo
sob FEI. ................................................................................................................................................34
Figura 11 Diagrama de blocos do detector.....................................................................................36
Figura 12 Respostas apresentadas pelas redes para oito indivduos escolhidos aleatoriamente e
tomados como conjunto de validao, sendo as entradas referentes a dois eletrodos (O1 e O2)
com a presena do ritmo alfa. A rede MLP utilizada para o treinamento possui uma camada
oculta com 5 neurnios.......................................................................................................................37
Figura 13 Comparao do erro de validao das redes considerando 500 iteraes. A coerncia
referente aos eletrodos O1 e O2 e o ritmo alfa foi tomado como parmetro para as redes. A
resposta caracterizada pelo erro revela a maior eficcia da RNA....................................................38
Figura 14 Respostas apresentadas pelas redes para oito indivduos escolhidos aleatoriamente e
tomados como conjunto de validao, sendo as entradas referentes a dois eletrodos (O1 e O2)
sem a presena do ritmo alfa. A rede MLP utilizada para o treinamento possui trs camadas
ocultas com 1, 3 e 9 neurnios nas mesmas. .....................................................................................39

9
Figura 15 Comparao do erro apresentado nos trs mtodos durante 500 iteraes. Para essa
resposta a coerncia analisada foi referente a dois eletrodos (O1 e O2) sem a presena do ritmo
alfa na entrada das redes. A ilustrao expressa a eficcia da RNA diante da anlise do erro......39
Figura 16 Respostas apresentadas pelas redes para oito indivduos escolhidos aleatoriamente e
tomados como conjunto de validao, sendo as entradas referentes a quatro eletrodos (O1, O2, P3
e P4) com a presena do ritmo alfa. A rede MLP utilizada para o treinamento possui duas
camadas ocultas com 2 e 8 neurnios nas mesmas...........................................................................41
Figura 17 Comparao do erro apresentado nos trs mtodos durante 500 iteraes. Para essa
resposta a coerncia analisada foi referente a quatro derivaes (O1, O2, P3 e P4) com a presena
do ritmo alfa na entrada das redes. A ilustrao expressa a eficcia da RNA diante da anlise do
erro. ......................................................................................................................................................41
Figura 18 Respostas apresentadas pelas redes para oito indivduos escolhidos aleatoriamente e
tomados como conjunto de validao, sendo as entradas referentes a quatro eletrodos (O1, O2, P3
e P4) sem a presena do ritmo alfa. A rede MLP utilizada para o treinamento possui duas
camadas ocultas com 2 e 8 neurnios nas mesmas...........................................................................42
Figura 19 Comparao do erro apresentado nos trs mtodos durante 500 iteraes. Para essa
resposta a coerncia analisada foi referente a quatro derivaes (O1, O2, P3 e P4) sem a presena
do ritmo alfa na entrada das redes. A ilustrao expressa a eficcia da RNA diante da anlise do
erro. ......................................................................................................................................................42
Figura 20 Respostas apresentadas pelas redes para oito indivduos escolhidos aleatoriamente e
tomados como conjunto de validao, sendo as entradas referentes a seis eletrodos (O1, O2, P3,
P4, C3 e C4) com a presena do ritmo alfa. A rede MLP utilizada para o treinamento possui duas
camadas ocultas com 2 e 8 neurnios nas mesmas...........................................................................44
Figura 21 Comparao do erro apresentado nos trs mtodos durante 500 iteraes. Para essa
resposta a coerncia analisada foi referente a seis derivaes (O1, O2, P3, P4, C3 e C4) com a
presena do ritmo alfa na entrada das redes. A ilustrao expressa a eficcia da RNA diante da
anlise do erro. ....................................................................................................................................44
Figura 22 Respostas apresentadas pelas redes para oito indivduos escolhidos aleatoriamente e
tomados como conjunto de validao, sendo as entradas referentes a seis eletrodos (O1, O2, P3,
P4, C3 e C4) sem a presena do ritmo alfa. A rede MLP utilizada para o treinamento possui duas
camadas ocultas com 2 e 8 neurnios nas mesmas...........................................................................45
Figura 23 Comparao do erro apresentado nos trs mtodos durante 500 iteraes. Para essa
resposta a coerncia analisada foi referente a seis derivaes (O1, O2, P3, P4, C3 e C4) sem a
presena do ritmo alfa na entrada das redes. A ilustrao expressa a eficcia da RNA diante da
anlise do erro. ....................................................................................................................................45
Figura 24 Disposio grfica de todos os coeficientes de correlao obtidos durante o
desenvolvimento do projeto. O grfico explicita a reduo do coeficiente de correlao medida
que aumenta-se o nmero de eletrodos a serem analisados..............................................................47

10
LISTA DE TABELAS

Tabela 1: Derivaes utilizadas no projeto e os nmeros aos quais as mesmas correspondem no

clculo das mdias de amplitude especificados acima. ....................................................................33
Tabela 2: Nmero de canais usados na deteco e os eletrodos associados aos mesmos, de acordo
com a ordem utilizada no trabalho.....................................................................................................35
Tabela 3: Resultado apresentado pelas estruturas quando a funo coerncia foi calculada
utilizando duas derivaes: O1 e O2. So dispostas as estruturas das redes quanto ao nmero de
camadas, neurnios e regras bem como o coeficiente de correlao atingido................................40
Tabela 4: Resultado apresentado pelas estruturas quando a funo coerncia foi calculada
utilizando quatro derivaes: O1, O2, P3 e P4. So dispostas as estruturas das redes quanto ao
nmero de camadas, neurnios e regras bem como o coeficiente de correlao atingido. ............43
Tabela 5: Resultado apresentado pelas estruturas quando a funo coerncia foi calculada
utilizando seis derivaes: O1, O2, P3, P4, C3 e C4. So dispostas as estruturas das redes quanto
ao nmero de camadas, neurnios e regras bem como o coeficiente de correlao atingido. .......46
Tabela 6: Erros e coeficientes de correlao apresentado pelas estruturas treinadas com dois,
quatro e seis eletrodos.........................................................................................................................46

11
SIMBOLOGIA

ANFIS Adaptive Neurofuzzy Inference Systems

EEG Eletroencefalograma
FEI Foto-Estimulao Intermitente
IA Inteligncia Artificial
MFs Membership Functions
MLP Multi Layer Perceptron
MSC Magnitude Square Coherence
ORD Objective Response Detection
PE Potencial Evocado
RNAs Redes Neurais Artificiais
SEC Silncio Eltrico Cerebral
TF Transformada de Fourier

12
SUMRIO

DEDICATRIA ................................................................................................................4

AGRADECIMENTOS .......................................................................................................5

RESUMO..........................................................................................................................7

ABSTRACT......................................................................................................................8

LISTA DE FIGURAS ........................................................................................................9

LISTA DE TABELAS .....................................................................................................11

SIMBOLOGIA ................................................................................................................12

1. INTRODUO ........................................................................................................14

2. OBJETIVOS............................................................................................................17

3. MATERIAIS E MTODOS ......................................................................................18

3.1 Coerncia Mltipla entre o sinal de estimulao e o EEG - N2 (f) ................................18

3.2 Rede Neural ...........................................................................................................................21

3.3 Rede Neurofuzzy....................................................................................................................24

3.3.1 Rede Wang.........................................................................................................................24
3.3.2 ANFIS (Adaptive Neurofuzzy Inference Systems).........................................................27

3.4 Sinais EEG .............................................................................................................................30

3.5 Pr-processamento................................................................................................................32

4. RESULTADOS........................................................................................................37

5. CONCLUSO E DISCUSSES .............................................................................48

6. SUGESTES PARA TRABALHOS FUTUROS .....................................................50

7. REFERNCIAS BIBLIOGRFICAS.......................................................................51

13
1. INTRODUO

Atualmente, o interesse pelos sinais biolgicos tem se tornado cada vez mais evidente.
Segundo Haykin (2001, p.29), essas anlises objetivam a extrao de caractersticas dos
processos biolgicos, promovendo o entendimento das funes e auxiliando, dessa forma, no
diagnstico e tratamento de doenas.
Diante disso, o eletroencefalograma (EEG) tem sido elemento de estudos em muitas
literaturas. Tal sinal, que o registro contnuo da atividade eltrica do crtex cerebral (TAFNER,
1999), tem por finalidade medir a intensidade do campo eltrico em conjunto com a corrente de
um grupo de neurnios (HAYKIN, 2001, p.29). De forma geral, o mesmo estabelecido, h um
longo perodo, como auxiliar na avaliao de demncias e encefalopatias, especialmente quando
o diagnstico no conclusivo diante das avaliaes clnicas iniciais (FONSECA, 2002).
Neste contexto, a anlise de respostas nos registros do sinal EEG tem instigado o estudo de
uma manifestao cerebral: o Potencial Evocado (PE). Tal resposta tem sido utilizada na prtica
clnica como um exame no qual um estmulo fixo peridico aplicado (MIRANDA DE S e
FELIX, 2003). Deste modo, o PE a resposta do crebro diante de um estmulo externo, seja esse
visual, auditivo ou somato-sensitivo (MIRANDA DE S e FELIX, 2002).
Dessa forma, a apreciao dos PEs permite, por exemplo, que cirurgias envolvendo a
coluna vertebral possam ser monitoradas (MIRANDA DE S e FELIX, 2002) alm de serem
auxiliares nas anlises somato-sensitivas, como apresentado por Simpson et al. (2000). De forma
anloga, o limiar da audio pode ser determinado em recm nascidos ou em pacientes que no
fornecem respostas comportamentais concisas (RAMOS et al., 2000).
Outra caracterstica observada no EEG, que um importante indicador da viglia e tambm
ser foco de estudo neste trabalho, o ritmo alfa cerebral. No limiar dessa condio, estando o
paciente com os olhos abertos, o ritmo no observado. Porm, quando os olhos so fechados, o
mesmo se manifesta na regio posterior do crebro (HUUPPONEN et al., 2001) (regio
occipital). Como esta geralmente a situao dos indivduos durante o exame de foto-
estimulao intermitente (FEI) (exame estudado neste projeto) pode-se perceber no espectro do
EEG destes, componentes de freqncia na faixa de alfa, alm das componentes advindas da
estimulao. Alm disso, a presena da FEI causa modificaes nas caractersticas dos
componentes de alfa (MIRANDA DE S et al., 2004), sendo tambm esse um dos motivos de
avaliarmos tal ritmo no desempenho dos detectores.

14
 Ao mesmo tempo, toda a anlise do EEG visual, sendo puramente dependente da
experincia do profissional que o avalia. Diante disso, o uso de tcnicas de deteco objetiva de
respostas (ORD Objetive Response Detection) para automatizar o processo de deteco tem
sido proposto (RAMOS et al., 2000). Tais tcnicas promovem o controle da razo falso positivo,
mostrando-se eficiente e, na maioria dos casos, melhor que as observaes humanas (SIMPSON
et al., 2000).
As tcnicas ORD baseiam-se apenas em critrios estatsticos e quantitativos, em contraste
com a avaliao subjetiva e qualitativa de um profissional mdico ou tcnico. As mesmas podem
ser implementadas tanto no domnio do tempo quanto no da freqncia, sendo que este ltimo
tem apresentado resultados encorajadores em diversas aplicaes (RAMOS et al., 2000).
Uma das tcnicas ORD que tem sido apontada pela literatura como uma das mais eficientes
na anlise do EEG durante estimulao peridica a Magnitude Square Coherence (MSC) ou
coerncia (DOBIE e WILSON, 1989). Dentre o contingente de aplicaes da mesma podemos
citar a anlise de mudanas na distribuio parcial do EEG relacionadas com a epilepsia, agenesia
do corpo caloso e outras tais como esquizofrenia e mal de Alzheimer (FERREIRA e MIRANDA
DE S, 2005).
Essa metodologia, que calcula a coerncia entre o sinal de estimulao e o sinal EEG, neste
caso, pode ser estimada considerando-se apenas o sinal EEG. Recentemente, Miranda de S et at.
(2002) e Felix et al. (2002) propuseram a estimativa da coerncia mltipla entre a estimulao e
N sinais EEG objetivando o aumento da taxa de deteco para um tamanho de sinal fixo.
Contudo, a implementao dos detectores ORD demanda o uso de clculos iterativos (como
exposto na seo 3.1) e, conseqentemente, exige poder computacional proporcional ao nmero
de iteraes. Uma alternativa interessante o emprego de tcnicas de inteligncia computacional,
tais como redes neurais artificiais (RNA) ou redes neurofuzzy, que seriam treinadas para
incorporar o poder de teste dos detectores.
Levando-se em considerao as RNAs, podem ser citadas as aplicaes no reconhecimento
de padres do ciclo de viglia de recm-nascidos (BOSIGNOLI e INFANTOSI, 2002), auxlio no
processo de classificao de distrbios do sono (RODRIGUES et al., 1999), deteco e
classificao de eventos epileptognicos em sinais EEG (ARGOUD et al., 2004), dentre outros.
J as tcnicas neurofuzzy, no que diz respeito s informaes referentes aos seres humanos,

15
mostram-se bastante valorizadas. As propostas vo desde o controle de eletrodomsticos at o
controle do mercado financeiro e aplicaes na medicina (SANDRI et al., 1999).
Diante disso, considerando a faixa de freqncia do ritmo alfa cerebral, fizemos a deteco
de PEs, avaliando tal informao atravs de sistemas conexionistas (redes neurofuzzy e neurais).
O resultado das mesmas foi comparado com finalidade de distinguir a que apresentou melhor
desempenho. Em ambas, as faixas de freqncia de interesse foram apresentadas, para a extrao
de caractersticas relevantes do espectro. Posteriormente, as redes foram treinadas sem a presena
da faixa de freqncia que compreende o ritmo alfa.
Logo, depois do treinamento, as redes foram capazes de fornecer o valor do detector ORD
sem, no entanto, a necessidade de calcul-lo. Alm disso, presumi-se que as mesmas possam
incorporar dinmicas no EEG que no so geralmente consideradas. De outro modo, utilizou-se
apenas algumas faixas de espectro para treinamento, sendo desnecessrio o clculo de todo o
sinal EEG na freqncia. Este artifcio constitui uma alternativa para implementao de tcnicas
ORD, sendo a resposta computacionalmente mais favorvel e com a vantagem de ser adaptativa.
Consequentemente, a anlise promover uma avaliao mais rpida e no menos precisa do EEG,
o que acarretar benefcios diretos populao.
Tendo em vista o apresentado, este trabalho composto por objetivos, em que so
apresentados os propsitos para tal estudo; metodologia, onde so dispostas as tcnicas utilizadas;
resultados alcanados diante do proposto; concluso e discusses diante dos objetivos e dos
resultados; e sugestes para trabalhos futuros.

16
2. OBJETIVOS

O trabalho objetivou a construo de um detector automtico e objetivo de respostas visuais

evocadas em sinais EEG utilizando uma abordagem conexionista com redes neurais e redes
neurofuzzy.
As redes foram treinadas para testar a hiptese de presena ou ausncia de respostas, em
funo de amostras de energia dos sinais EEG em faixas de freqncia distintas. Alm disso,
ambas foram generalizadas atravs da influncia de informao do ritmo alfa cerebral e tambm
quando o mesmo no foi parmetro das estruturas.

17
3. MATERIAIS E MTODOS

As tcnicas estatsticas, acompanhadas de tcnicas computacionais, tm sido amplamente

aplicadas na engenharia biomdica, apresentando resultados satisfatrios como demonstra as
bibliografias consultadas.
Neste trabalho, um detector de respostas evocadas no EEG sob foto estimulao
intermitente (FEI) foi desenvolvido atravs de redes neurais e neurofuzzy (Wang e ANFIS),
treinadas a partir dos valores de faixas do espectro dos sinais advindos de indivduos sob FEI, e
da taxa de deteco estimada via coerncia mltipla.
O processo foi dividido nas seguintes etapas:
Estudo das tcnicas a serem empregadas;
Pr-processamento dos dados;
Treinamento das estruturas;
Comparao entre os resultados.
Vale ressaltar que todo o processo utilizado no presente trabalho, objetivou a extrao de
caractersticas espectrais do EEG dos pacientes em questo, sendo o espectro, a distribuio de
energia de um sinal em funo da freqncia.

3.1 Coerncia Mltipla entre o sinal de estimulao e o EEG - N2 (f)

A coerncia entre o sinal de estimulao e o EEG tem sido proposta como uma forma de
identificar respostas evocadas no prprio EEG (FELIX et al., 2004). Segundo Ferreira e Miranda
de S (2005), a coerncia anloga ao coeficiente de correlao, porm no domnio da
freqncia.
Esta uma tcnica ORD que utiliza a coerncia mltipla entre o sinal de estimulao, x[k],
e a derivao de EEG yj[k] (j=1,2,3...), para um tamanho varivel do sinal (MIRANDA DE S e
FELIX, 2004). De acordo com Miranda de S et al. (2004), um modelo linear multivarivel,
como o apresentado na Fig.1, tem como estimativa de coerncia de x[k], considerando os sinais
yj[k] (j=1,2,3...,N), a seguinte equao

S yxH (f) S yy1 (f) S yx (f)

2
x: y 1, y 2 ,..., N (f) = , (1)
S ( f )
xx

18
onde H sobrescrito o hermitiano de uma matriz, f a freqncia, S xx ( f ) a estimativa do

espectro de potncia de x[k] , S yx (f) a matriz de espectro cruzado e S yy (f) a matriz de auto-

espectro, sendo essas duas ltimas representadas por

S y1 x ( f ) S y1 y1 ( f ) S y1 y 2 ( f ) ... S y1 yN ( f )

S y 2 x ( f ) S y 2 y1 ( f ) S y 2 y 2 ( f ) ... S y 2 yN ( f )
S yx ( f ) = , S yy ( f ) =
M M
OM (2)

S yNx ( f ) S yNy 1 ( f ) S yNy 2 ( f ) S yNyN ( f )

...

na qual os termos de S yy ( f ) podem ser assim calculados

S ypyq ( f ) = Y pi* ( f )Yqi ( f ),

M

(3)
i =1

em que Y pi ( f ) a Transformada de Fourier (TF) da i-sima janela do sinal Yp[k] e o * significa o

conjugado complexo.

Quando p=q, obtemos S yy ( f ) e S yx ( f ) definido por uma equao anloga a equao 3,

porm substituindo-se Yqi por Xi (MIRANDA DE S et al., 2004).

Figura 1 Modelo linear multivarivel que representa o EEG durante fotoestimulao, sendo que x[k] o
sinal de estimulao que ser filtrado (Hj(f)), tendo como resultado as respostas evocadas. Os sinais EEG
so representados por yj[k], que so obtidos pelo somatrio das respostas evocadas com nj[k] (EEG de
fundo) (MIRANDA DE S et al., 2004).

19
 Segundo Miranda de S et al. (2004), para x[k] peridico e determinstico, sendo as janelas
sincronizadas com o mesmo, a TF X(f) ter o mesmo valor em todos os seguimentos. Dessa
forma, S yx ( f ) se dispe da seguinte maneira

M *
M * Y1i ( f )
Y1i ( f ) X ( f ) i=1
i =1 M *
M *


Y2 i ( f ) X ( f ) Y2i ( f )
S yx ( f ) = i =1

= X(f) i=1 (4)
M M
M M
Y * ( f )

Y * ( f ) X ( f )

i =1
Ni
i=1
Ni

2
Aplicando esse resultado na equao 1, tendo que S xx ( f ) = M X ( f ) , temos (MIRANDA

DE S et al., 2004)

=
S yxH (f) S yy1 (f) S yx (f)
x2: y1, y 2 ,..., N (f) =
S ( f )
xx

M *
1i Y1i ( f )
H

M
*
Y ( f )
i =1 i =1

Y2*i ( f ) Y2*i ( f ) ,
M M
(5)
X ( f ) i =1 .S yy ( f ) X ( f ) i =1
1

M M
M M
Y * ( f ) Y * ( f )

i =1
Ni

i =1
Ni

2
M X(f)

Com base na expresso da estimativa da coerncia mltipla, simplificaes podem ser

feitas, conforme indicado em Miranda de S et al. (2004), para tornar o clculo da expresso
independente do sinal de estimulao. Assim, a coerncia mltipla de x[k], levando-se em
considerao M segmentos yj[k], pode ser estimada como

2
V H (f) S yy1 (f)V(f)
k N (f) = , (6)
M

onde

20
 M *
Y 1i ( f )
i =1
M *

V ( f ) = i =1
Y 2i ( f )
(7)
M
M
Y * Ni ( f )

i =1
sendo Yni ( f ) , a TF da i-sima janela do sinal yn[k] , * sobrescrito, o complexo conjugado, H
sobrescrito o Hermitiano da matriz e M o nmero de janelas utilizadas no clculo da TF.
O nmero de segmentos utilizados no presente trabalho foi M=12 e os dados se dispunham
amostrados na freqncia de 256 Hertz. Alm disso, o nmero de canais utilizados para a anlise
de coerncia foram 2, 4 e 6, respectivamente.

3.2 Rede Neural

De acordo com Braga et al. (2000, p.1), Redes Neurais Artificiais (RNAs) so sistemas
paralelos, constitudos por nodos, que so unidades simples de processamento. Esses calculam
determinadas funes matemticas que, em sua maioria so no-lineares. Cada nodo tem sua
ativao promovida por um valor limiar ao qual o mesmo est associado, mimetizando o
funcionamento de um neurnio biolgico.
Entre os mesmos existem conexes tambm associadas a um nmero o qual chamamos de
peso (ZEIDENBERG, 1990, p.15). Essa ligao presente nas redes uma das grandes linhas de
pesquisa da Inteligncia Artificial (IA) que objetiva modelar e investigar comportamentos
inteligentes baseando-se no funcionamento do crebro humano (BITTENCOURT, 2001, p.301).
Dessa forma, a estrutura neural extrai seu poder computacional atravs de sua estrutura
paralela distribuda e tambm da habilidade que a mesma possui de aprender e generalizar. A
generalizao, por sua vez, se refere ao fato de a rede produzir sadas adequadas para entradas
diferentes das apresentadas durante o treinamento (HAYKIN, 2001, p.28).
As caractersticas, segundo Bittencourt (2001), que tornam interessante a metodologia das
RNAs, do ponto de vista da soluo de problemas so as seguintes:
Capacidade de aprender atravs de exemplos e de generalizar este aprendizado de forma
que seja capaz de reproduzir um resultado a uma entrada diferente da apresentada.

21
 Bom desempenho em situaes onde no h conhecimento necessrio sobre como
encontrar uma soluo.
No necessita de conhecimento sobre os eventos matemticos dos domnios de
aplicao.
Elevada imunidade ao rudo, ou seja, a rede admite a presena de informaes ausentes
ou falsas.
A possvel simulao do raciocnio, em primeira instncia, imprecisa e realizada
atravs da associao com a lgica nebulosa.
No trabalho proposto, utilizamos a rede com camadas intermedirias, como ilustrado na
Fig.2, que permite a soluo de problemas no linearmente separveis. Esta nomeada na
literatura como Multi Layer Perceptron (MLP).
Essas redes apresentam um poder computacional elevado quando comparado com o
apresentado pelas redes sem camadas intermedirias. Nela as funes precisam ser diferenciveis
para que o gradiente possa ser calculado, direcionando o ajuste de pesos (BRAGA et al. 2000,
p.51).

Figura 2 Rede neural MLP com duas camadas intermedirias, m entradas e o sadas (SCIELO, 2007).
O algoritmo utilizado foi o de retropropagao ou backpropagation que, segundo Haykin
(2001, p.200), possui a seguinte seqncia:
1. Inicializao: retira os pesos sinpticos e limiares de uma distribuio uniforme
(mdia zero). A varincia escolhida de modo que o desvio padro dos campos locais

22
 induzidos dos neurnios se encontre na transio entre as partes linear e saturada da funo
de ativao sigmide.
2. Apresentao dos exemplos de treinamento: apresentar rede os exemplos para o
treinamento, de acordo com os processos definidos.
3. Computao para frente (Propagao): sendo a entrada dada por x(n) e a sada d(n), o
campo local induzido j(l)(n) para o neurnio j na camada l :

(l)j (n) = (l)ji (n)yi(l 1 ) (n)

m0

(8)
i=0

onde yi(l-1)(n) o sinal de sada do neurnio i na camada anterior l-1, na iterao n, e

ji(l)(n) o peso sinptico do neurnio j da camada l, que alimentado pelo neurnio i da
camada l-1.
4. Computao para trs (Retropropagao): clculo dos gradientes locais () da rede
definidos por
para o neurnio j da camada L:

{
(l)j (n) = e(L) }
j (n) j ( j (n))
' (L) (9)

e, para o neurnio j da camada oculta l:

j = j ( j (n)) k
(l) ' (l) ' (l+1 )
(n)kj(l+1 ) (n) (10)
k

onde o apstrofo em j(.) representa a diferenciao em relao ao argumento. O ajuste dos

pesos pode ser generalizado da seguinte forma:

[ ]
(l)ji (n +1 ) = (l)ji (n) + (l)ji (n 1 ) + (l)j (n)yi(l 1 ) (n) (11)

onde o parmetro da taxa de aprendizagem e a constante de momento.

5. Iterao: iterar as computaes para frente e para trs at que o critrio de parada seja
satisfeito.
A funo de ativao utilizada em todas as estruturas foi a logsigmide (equao 12) que
retorna valores positivos compreendidos entre zero e um. J o algoritmo de treinamento foi o
Traingdx, que usa o mtodo backpropagation e tenta manter o aprendizado o mais rpido

23
possvel, porm com estabilidade. Isso feito com a variao tanto do gradiente descendente
quanto da taxa de aprendizado.

1 (12)
f (n) =
1 + e n

3.3 Rede Neurofuzzy

Segundo Medeiros et al. (2001), pesquisas recentes mostram grande aplicabilidade de
sistemas inteligentes hbridos, que unem redes neurais e lgica fuzzy. Esses sistemas, por
apresentarem a juno de duas tcnicas, compensam as deficincias de uma com os benefcios de
outra, criando, dessa forma, estruturas com amplo potencial.
Os processos envolvidos nessa proposta abrangem as etapas de fuzzificao e
defuzzificao. A primeira consiste em normalizar as variveis de entrada em um universo de
discurso padronizado, transformando-os em conjuntos nebulosos que sero princpios para
variveis lingsticas. J a defuzzificao identifica o domnio das variveis de sada em um
universo de discurso correspondente (SANDRI et al., 1999).
Essas redes, que so denominadas redes neurofuzzy, podem ser constitudas de diferentes
tipos de funes de pertinncia (Memberships Functions - MFs). Sua topologia, bem como a
dimenso da mesma, deve ser baseada na complexidade do conjunto de treinamento. Uma das
vantagens de se utilizar as redes neurofuzzy consiste na possibilidade de inicializar os parmetros
da mesma com base no conjunto de treinamento.

3.3.1 Rede Wang

Uma das redes neurofuzzy adotadas neste trabalho segue uma topologia que foi
desenvolvida por Wang (1994, p.30). Tal rede implementa um conjunto de regras nebulosas do
tipo:

R (l) : IF x1 is F1l and and xn is Fnl , THEN y is G l (13)

onde Fi l e Gil so conjuntos nebulosos, e x = (x1 , ..., x n )T e y so variveis lingsticas. A regra

nebulosa o corao do sistema lgico nebuloso, no sentido de que todas as outras componentes

24
so usadas para interpretar estas regras e as tornam teis para problemas especficos (WANG,
1994, p.15).
A defuzzificao um mapeamento do conjunto nebuloso para um ponto determinstico. O
mapeamento utilizado neste trabalho foi a defuzzificao da mdia central (Center Average
Defuzzifier), de acordo com Wang (1994, p.22). Assim, tem-se o seguinte lemma:
Lemma 1. Os sistemas lgicos nebulosos com defuzzificao da mdia central, regra de
inferncia do produto, fuzzificao singleton, e funo de pertinncia gaussiana, tm a seguinte
forma:

n x x l 2
y exp
i
M

i=1
l i i

l
l=1

M n x x l
f(x) = (14)

exp
2

l =1 i=1 i

i i

sendo x il e il referentes s funes de pertinncia gaussianas e y l o ponto central do

conjunto nebuloso descrito pela funo de pertinncia gaussiana correspondente.

As especificaes do lemma 1 foram as utilizadas neste trabalho. Para melhor compreenso
da topologia proposta, a Fig.3 apresenta o modelo descrito pela equao 13.
Como a rede demonstrada por Wang (1994) possua apenas uma camada intermediria o
que no se adequou ao problema apresentado, foram feitas implementaes de modo que a rede
final apresentasse duas camadas intermediarias, resultando na Fig.3.
Na referida ilustrao, cada trapzio representa a seguinte equao de fuzzificao :

x xl
saida = exp
2

il
i i
(15)

25
onde xi a entrada, x i mdia dos dados de entrada e i o desvio padro dos dados de entrada.

Figura 3 Rede Wang com duas camadas intermedirias.

Definido o modelo, o treinamento da rede corresponde ao ajuste dos parmetros x il , il e

( )
y l . Supondo que temos um par de entrada-sada x p , d p , nosso objetivo determinar um
sistema lgico nebuloso f(x) tal que

ep =
1
2
[( )
f xp d p ]2 (16)

seja minimizado. Nas equaes seguintes, usaremos e, f e d para denotar e p , f ( x P ) e d P ,

respectivamente. Essas variveis representam o erro, a funo lgica da entrada e a sada,
sucessivamente.
Os ajustes so feitos utilizando o mtodo de retropropagao do erro (error
backpropagation procedure), obtendo:
l
o algoritmo de treinamento para y :

f d l
y l (k + 1 ) = y l (k) z (17)
b

onde y o peso, l = 1, 2, ..., M, k = 0, 1, 2, ..., uma constante positiva, f a funo lgica

l

da entrada, d a sada, z so sadas fuzzificadas e b uma constante.

o algoritmo de treinamento para x il :

26
 f d l 2(xip x il (k))
x (k + 1 ) = x (k)
i
l
i
l
(y f)z l
(18)
b il 2 (k)

onde x i mdia dos dados de entrada, i o desvio padro dos dados de entrada, k = 0, 1, 2, ..., l

uma constante positiva, f a funo lgica da entrada, d a sada,

l
= 1, 2, ... M, y o peso,
z so sadas fuzzificadas e b uma constante.
e o algoritmo de treinamento para il :

f d l 2(xip x il (k))2
il (k + 1 ) = il (k) (y f)z l (19)
b il 3 (k)

onde i = 1, 2, ..., n, l = 1, 2, ..., M, k = 0, 1, 2, ... e uma constante positiva.

3.3.2 ANFIS (Adaptive Neurofuzzy Inference Systems)

A Anfis tambm uma estrutura neurofuzzy que tem sua rotina baseada nos mtodos de
inferncia de Sugeno (JANG et al., 1997, p.335). Tal modelo possui dois tipos de algoritmo de
treinamento: hbrido e backpropagation , sendo ambos utilizados no presente trabalho. O
treinamento hbrido prope a unio do mtodo clssico dos mnimos quadrados com o
backpropagation, j discutido anteriormente.
Na Fig.4, encontra-se uma estrutura Anfis com duas entradas. Na primeira camada,
encontram-se as funes de pertinncia de entrada, onde ocorre o processo de fuzzificao. Essas
funes designam para cada elemento do vetor de entrada ou sada um valor que varia entre zero
e um.
As MFs utilizadas neste trabalho foram seno generalizada, gaussiana, sigmoidal, trapezoidal
e triangular, expressas nas equaes 20, 21, 22, 23 e 24 (JANG et al., 1997, p.25-26),
respectivamente.

1
f ( x; a, b, c) =
x c
2b

1+ (20)
a

onde a, b e c so os parmetros que caracterizam a funo.

1 xc

2

2 (21)
f ( x; c, ) = e

27
onde c o centro da funo de pertinncia e a amplitude da mesma.

1
f ( x; a , c) = (22)
1 + e a ( x c )

onde a controla a inclinao em relao ao ponto x = c.

0, x a
x a
,a x b
b a

f ( x; a, b, c, d ) = 1, b x c
d x
(23)
,c x d
d c
0, d x

onde os parmetros a, b, c e d (com a<b c<d) so as coordenadas de x que definem o trapzio.

0, x a
x a
,a x b
b a
f ( x; a, b, c) =
c x ,b x c
(24)
c b
0, c x

onde os parmetros a, b e c (com a<b<c) definem os trs pontos do tringulo.

Consecutivamente, temos a segunda camada, representada pelo smbolo (Fig.4), onde so
associadas as regras. Nesta etapa, temos a utilizao do mtodo and que pode ser observado na
equao 25 (JANG et al., 1997, p.337). No presente trabalho, utilizamos os mtodos de mnimo e
probabilstico.

wi = Ai ( x1 ) . Bi ( x2 ) (25)

onde Ai e Bi so funes de pertinncia referentes s entradas e i=1,2.

Segundo Jang et al. (1997, p.336), para um sistema com n entradas e uma sada, as regras
para a Anfis tm a mesma representao expressa na equao 13. Em tal passo feita a
associao dos parmetros com as MFs.
Aps a associao das regras, temos a etapa representada pelo smbolo N que relata o
processo de normalizao dos pesos. Nesta fase, em que aplicado o mtodo or, foram utilizadas

28
as tcnicas probabilsticas e de mximo. A equao deste mtodo, para uma Anfis com a estrutura
disposta pela Fig.4 dada por (JANG et al., 1997, p.337)

wi
wi = (26)
w1 + w2
onde i=1,2.
Nas camadas 4 e 5, ocorre o processo de defuzzificao com as MFs de sada e o somatrio,
resultando na sada esperada. O mtodo de defuzzificao utilizado neste caso foi a mdia
ponderada (weighted average), j como mtodo de inferncia foi utilizado o probabilista e o
mnimo, sendo escolhido o que oferecia melhor resposta.
A sada fornecida pela camada 4 representada por (JANG et al., 1999, p.337)

S 4i = wi f i (27)

onde wi o peso normalizado e fi a funo de pertinncia de sada.

Essas MFs de sada para o modelo de Sugeno podem ser linear ou constante e, segundo
Jang et al. (1997, p.337) essas podem ser expressas pelas equaes 28 e 29, respectivamente.
Quando a mesma constante temos um modelo Fuzzy de Sugeno de ordem zero e, quando linear,
o modelo de ordem um. Ambas as funes foram utilizadas neste projeto, permanecendo a que
obtinha melhor desempenho para o problema apresentado.

fi = ( pi x1 + qi x2 + ri ) (28)

onde {pi, qi, ri} o conjunto de parmetros de conseqncia.

f i = ( ri ) (29)

A camada 5 obtida atravs da mdia ponderada que, de acordo com Jang et al. (1997,
p.337) dada por

Saida = wi fi (30)
i

onde wi o peso normalizado e fi a funo de pertinncia de sada.

Vale ressaltar que as camadas de fuzzificao , regras fuzzy, normalizao e defuzzificao ,
compreendem todo o processo realizado pela Anfis e designam a camada intermediria dessa

29
estrutura. Dessa forma o modelo de Sugeno disponibiliza apenas uma camada oculta no
permitindo ajustes.

Figura 4 Anfis com duas entradas (x1 e x2) e uma sada. A primeira etapa a camada de fuzzificao
em que cada elemento de entrada associado a duas regras. Posteriormente temos a camada de
normalizao dos pesos e, por fim, a defuzzificao atravs das funes de pertinncia de sada.

3.4 Sinais EEG

Os dados utilizados foram fornecidos pelo professor Antonio M. F. L. Miranda de S e so

referentes ao EEG de 15 pacientes normais submetidos FEI. O estmulo foi aplicado aos
indivduos na freqncia de 6 ciclos por segundo durante aproximadamente 25 segundos, sendo o
EEG sem estimulao coletado por igual perodo, nos mesmos pacientes.
Essas informaes, aps pr-processamento, embasaram o treinamento das redes neurais
(Fig.2), Wang (Fig.3) e Anfis (Fig.4) com vistas a obter uma metodologia alternativa para a
deteco de respostas no EEG. Para isto, fizemos uma extrao de caractersticas do espectro de
potncia do EEG das derivaes O1, O2, P3, P4, C3 e C4, cuja disposio est ilustrada na Fig.5.
A escolha de tais derivaes fundamentada no fato de que as mesmas se situam sobre o
crtex visual (O1 e O2) ou nas proximidades do mesmo (demais eletrodos), onde se espera
respostas evocadas mais intensas.
Os sinais das derivaes O1 e O2, no tempo e na freqncia, de um determinado paciente
sob FEI podem ser observados na Fig.6. Os espectros foram obtidos utilizando a funo de
densidade espectral. A partir da figura podemos notar uma intensidade relevante do espectro na
freqncia de estimulao.

30
 Alm disso, como durante o exame os indivduos se encontram de olhos fechados temos a
presena do ritmo alfa cerebral. Baseando-se neste fato e tambm na interferncia causada pela
FEI neste ritmo (Fig.7), o mesmo foi avaliado de forma a verificar o desempenho do detector
diante de sua presena ou ausncia. Essa interferncia pode ser claramente observada na Fig.7,
em que se encontram os espectros de quatro pacientes sobre fotoestimulao.

Figura 5 Sistema Internacional 10 20, onde Fp representa a regio fronto polar, C a regio central, T
a temporal, e O a occipital. As letras que so seguidas por nmeros representam os hemisfrios direito
(nmeros pares) e esquerdo (nmeros mpares). J as que so seguidas pela letra z representam a linha
mdia. Os eletrodos O1, O2, P3, P4, C3 e C4 foram os utilizados neste trabalho (TAFNER, 1999).

Figura 6 Sinais dos eletrodos O1 e O2 no tempo e na freqncia de um paciente sob FEI.

31
Figura 7 Caractersticas do ritmo alfa cerebral com e sem a presena da FEI. Esta avaliao referente
ao espectro do eletrodo O2 de quatro pacientes. A freqncia da FEI aplicada 6 Hertz.

3.5 Pr-processamento

A extrao de caractersticas teve como cerne o fato de que esperado um acrscimo de

energia no espectro em torno da freqncia de estimulao (6 ciclos por segundo), como
observado na Fig.6. Portanto, os valores de caractersticas Mij foram obtidos atravs do espectro
de potncia dos eletrodos para quatro conjuntos de freqncia em cada eletrodo, como se segue,
considerando o ritmo alfa como parmetro das redes:
Mi1: mdia das amplitudes do espectro de i nas freqncias (4 5 Hz);
Mi2: mdia das amplitudes do espectro de i nas freqncias (6 7 Hz);
Mi3: mdia das amplitudes do espectro de i na faixa de freqncia (8 10 Hz);
Mi4: mdia das amplitudes do espectro de i na faixa de freqncia (11 13 Hz);
Quando o ritmo alfa no foi considerado, as entradas tiveram uma pequena alterao, como
pode ser observado:
Mi1: mdia das amplitudes do espectro de i nas freqncias (4 5 Hz);
Mi2: mdia das amplitudes do espectro de i nas freqncias (6 Hz);
Mi3: mdia das amplitudes do espectro de i nas freqncias (7 8 Hz);

32
 Onde i varia de 1 a 6 e representa o eletrodo em questo, como pode ser observado na
tabela 1. Tal associao baseou-se na disposio das informaes das derivaes na matriz de
dados.

Tabela 1: Derivaes utilizadas no projeto e os nmeros aos quais as mesmas correspondem no clculo
das mdias de amplitude especificados acima.

Para cada paciente, com e sem estimulao, foi feita a coerncia entre os sinais de eletrodos
utilizados e, posteriormente, foi calculada a taxa de deteco, cujo exemplo est ilustrado nas
Fig.s 8, 9 e 10, sendo que as mesmas so relativas a 2, 4 e 6 canais, respectivamente. Esta taxa,
por sua vez, referente ao nmero de harmnicos da freqncia de estimulao cujo valor
ultrapassou o limiar estabelecido nos clculos (seo 3.1). A mesma foi tomada como sada para
as redes desenvolvidas.

Figura 8 Taxa de deteco referente a dois canais (O1 e O2) de um indivduo sob FEI.

33
Figura 9 Taxa de deteco referente a quatro canais (O1, O2, P3 e P4) de um indivduo sob FEI.

Figura 10 Taxa de deteco referente a seis canais (O1, O2, P3, P4, C3 e C4) de um indivduo sob FEI.
Definidas as entradas e sadas, essas foram aplicadas s redes. Para o treinamento foram
utilizados 75% dos dados, sendo os demais designados para a validao. Como o conjunto total
era composto por dados com e sem estimulao, em igual proporo, retirou-se um nmero
semelhante de dados de cada grupo de forma que os caracteres de treinamento e validao
possussem tambm amostras dos dois tipos e dispostas de maneira no uniforme. O diagrama de
blocos do detector mostrado na Fig.11. A partir dele podemos acompanhar todo o processo de
extrao de caractersticas, treinamento e aquisio de respostas.

34
 Vale ressaltar que em todas as estruturas preocupou-se em evitar o overfitting . Tal resposta
foi obtida avaliando-se o erro de validao, ou seja, apenas a estrutura que apresentasse menor
erro de validao durante o treinamento seria armazenada, processo conhecido como early-
stopping.
Alm disso, como a estimativa da coerncia requer um maior custo computacional em
comparao com o espectro, neste trabalho, as redes foram treinadas com os valores associados
de coerncia, para inferir sobre a taxa de deteco de sinal peridico em rudo.
Primeiramente, foram feitas anlises com dois eletrodos com a presena e a ausncia do
ritmo alfa cerebral. Para tal configurao, foram analisadas as trs ferramentas: redes neurais,
Wang e Anfis. Posteriormente foram feitos os mesmos procedimentos considerando quatro
eletrodos. O nmero de canais e os eletrodos associados aos mesmos podem ser observados na
tabela 2.

Tabela 2: Nmero de canais usados na deteco e os eletrodos associados aos mesmos, de acordo com a
ordem utilizada no trabalho.
Eletrodos
N=2 O1 e O2
N=4 O1, O2, P3 e P4
N=6 O1, O2, P3, P4, C3 e C4

35
Figura 11 Diagrama de blocos do detector.

36
4. RESULTADOS

Para o primeiro caso, considerando dois eletrodos e o ritmo alfa como entrada das redes,
obteve-se o resultado apresentado na Fig.12 e, na Fig.13, temos a comparao do erro em relao
ao nmero de iteraes das trs redes utilizadas nesta configurao.
A reposta apresentada na Fig.12 referente a uma RNA. Essa, por sua vez, teve como
estrutura uma camada intermediria com cinco neurnios, ao passo que, a rede Wang necessitou
de duas camadas intermedirias, com dois e nove neurnios nas respectivas camadas e a Anfis
disps-se de 256 regras. Neste caso, a resposta fornecida pela rede neural foi mais eficiente que a
das estruturas neurofuzzy utilizadas, no que diz respeito ao coeficiente de correlao e erro mdio
quadrtico. A MLP apresentou-se 97% correlacionada com a sada padro do detector, enquanto
a Wang teve como resposta 96% e a Anfis 80%. Atravs da Fig.13 podemos constatar que
durante o treinamento a estrutura que atingiu menor erro de validao tambm foi a neural.

Figura 12 Respostas apresentadas pelas redes para oito indivduos escolhidos aleatoriamente e tomados
como conjunto de validao, sendo as entradas referentes a dois eletrodos (O1 e O2) com a presena do
ritmo alfa. A rede MLP utilizada para o treinamento possui uma camada oculta com 5 neurnios.

37
Figura 13 Comparao do erro de validao das redes considerando 500 iteraes. A coerncia
referente aos eletrodos O1 e O2 e o ritmo alfa foi tomado como parmetro para as redes. A resposta
caracterizada pelo erro revela a maior eficcia da RNA.
Quando alfa no foi considerado, notamos um comportamento similar ao apresentado
anteriormente, uma vez que a RNA apresentou-se hbil diante das tcnicas avaliadas como ilustra
a Fig.14. Neste caso o coeficiente de correlao da mesma foi 0,98 e, para a neurofuzzy, foi de
0,97 e 0,92, sendo Wang e Anfis, respectivamente. A rede neural, dessa vez, apresentou-se mais
complexa, com trs camadas ocultas (1, 3 e 9 neurnios, respectivamente), j a Wang necessitou
de duas camadas (8 e 7 neurnios, consecutivamente) e a Anfis apresentou 64 regras.
O erro das trs estruturas durante o treinamento pode ser observado na Fig.15. Nela
percebe-se que o mesmo corrobora com o resultado expresso pelo coeficiente de correlao, uma
vez que a MLP atingiu menor valor durante as iteraes avaliadas. Mesmo em simulaes com
um nmero maior de pocas, o erro das estruturas neurofuzzy no decresceu de forma
significativa, apresentando sempre o comportamento ilustrado.
Diante dessas apreciaes, considerando as derivaes O1 e O2, temos como resultado
apresentado pelas tcnicas conexionistas os valores especificados na tabela 3.

38
Figura 14 Respostas apresentadas pelas redes para oito indivduos escolhidos aleatoriamente e tomados
como conjunto de validao, sendo as entradas referentes a dois eletrodos (O1 e O2) sem a presena do
ritmo alfa. A rede MLP utilizada para o treinamento possui trs camadas ocultas com 1, 3 e 9 neurnios
nas mesmas.

Figura 15 Comparao do erro apresentado nos trs mtodos durante 500 iteraes. Para essa resposta a
coerncia analisada foi referente a dois eletrodos (O1 e O2) sem a presena do ritmo alfa na entrada das
redes. A ilustrao expressa a eficcia da RNA diante da anlise do erro.

39
Tabela 3: Resultado apresentado pelas estruturas quando a funo coerncia foi calculada utilizando duas
derivaes: O1 e O2. So dispostas as estruturas das redes quanto ao nmero de camadas, neurnios e
regras bem como o coeficiente de correlao atingido.
Parmetros Com alfa Sem alfa
Rede Neural Wang Anfis Neural Wang Anfis
Nmero de camadas 1 2 1 3 2 1
Nmero de neurnios e regras 5 [2 9] 256 [1 3 9] [8 7] 64
Coeficiente de correlao 0.97 0.96 0.80 0.98 0.97 0.92
Posteriormente, ao aumentarmos o nmero de canais dispostos para a coerncia, obtivemos
um resultado semelhante ao apresentado anteriormente. Para N=4, considerando a presena do
ritmo alfa cerebral, a resposta corresponde fielmente ao resultado anterior, porm com um
coeficiente de correlao inferior. Na Fig.16, temos a resoluo apresentada pela MLP, que se
demonstrou mais aplicvel ao sistema.
Nesta configurao, a RNA obteve coeficiente de correlao de 0,94, ao passo que as redes
neurofuzzy propuseram os valores de 0,91 e 0,81 (Wang e Anfis, consecutivamente). As redes
neural e Wang tiveram em sua estrutura duas camadas ocultas com [2 8] e [6 7] neurnios,
sucessivamente e a Anfis disps de 6 regras. notria a melhor desenvoltura da MLP tambm
quando se compara o comportamento do erro de validao desta com as demais (Fig.17).
Em conformidade com a resposta anterior temos a anlise sem o ritmo alfa que tambm
apresentou maior eficcia da rede neural (Fig.s 18 e 19). Nesse caso, a mesma necessitou de
maior complexidade que a anterior: trs camadas intermedirias, com 6, 3 e 9 neurnios,
respectivamente. J as redes neurofuzzy contaram com [2 6] neurnios e 9 regras (Wang e Anfis,
consecutivamente) e obtiveram coeficientes de correlao de 0,96 e 0,83, ao passo que a outra
metodologia alcanou um valor discretamente superior que a Wang: 0,97.
Mesmo diante da nfima diferena entre os coeficientes de correlao, o erro da rede neural
apresentou-se, na maioria das iteraes, inferior ao das redes neurofuzzy, o que ratificou a maior
eficincia da mesma.
O resultado apresentado pela configurao de quatro canais pode ser examinado na tabela 4.
Os mesmos correspondem de forma confivel com a avaliao de dois eletrodos, porm
inegvel a reduo do coeficiente de correlao mesmo que discretamente.

40
Figura 16 Respostas apresentadas pelas redes para oito indivduos escolhidos aleatoriamente e tomados
como conjunto de validao, sendo as entradas referentes a quatro eletrodos (O1, O2, P3 e P4) com a
presena do ritmo alfa. A rede MLP utilizada para o treinamento possui duas camadas ocultas com 2 e 8
neurnios nas mesmas.

Figura 17 Comparao do erro apresentado nos trs mtodos durante 500 iteraes. Para essa resposta a
coerncia analisada foi referente a quatro derivaes (O1, O2, P3 e P4) com a presena do ritmo alfa na
entrada das redes. A ilustrao expressa a eficcia da RNA diante da anlise do erro.

41
Figura 18 Respostas apresentadas pelas redes para oito indivduos escolhidos aleatoriamente e tomados
como conjunto de validao, sendo as entradas referentes a quatro eletrodos (O1, O2, P3 e P4) sem a
presena do ritmo alfa. A rede MLP utilizada para o treinamento possui duas camadas ocultas com 2 e 8
neurnios nas mesmas.

Figura 19 Comparao do erro apresentado nos trs mtodos durante 500 iteraes. Para essa resposta a
coerncia analisada foi referente a quatro derivaes (O1, O2, P3 e P4) sem a presena do ritmo alfa na
entrada das redes. A ilustrao expressa a eficcia da RNA diante da anlise do erro.

42
Tabela 4: Resultado apresentado pelas estruturas quando a funo coerncia foi calculada utilizando
quatro derivaes: O1, O2, P3 e P4. So dispostas as estruturas das redes quanto ao nmero de camadas,
neurnios e regras bem como o coeficiente de correlao atingido.
Parmetros Com alfa Sem alfa
Rede Neural Wang Anfis Neural Wang Anfis
Nmero de camadas 2 2 1 3 2 1
Nmero de neurnios e regras [2 8] [6 7] 6 [6 3 9] [2 6] 9
Coeficiente de correlao 0.94 0.91 0.81 0.97 0.96 0,83
Por fim, utilizando-se essas modalidades conexionistas, fez-se a anlise com N = 6. A
resposta das melhores estruturas est ilustrada nas Fig.s 20 (com alfa), e 22 (sem alfa) e, como
pode ser observado, no contesta as respostas anteriores, uma vez que as MLPs tiveram melhor
aplicabilidade. Tal afirmativa pode ser ratificada ao examinarmos a correlao entre a resposta do
detector e a resposta esperada.
Na anlise com a presena do ritmo alfa cerebral o retorno da RNA dispe-se 92%
correlacionado com a sada esperada ao passo que as estruturas neurofuzzy apresentaram-se 84%
e 72% (Wang e Anfis, respectivamente) correlacionadas. Ao descartar-se o ritmo alfa dos
parmetros de anlise, a resposta teve um acrscimo no coeficiente de correlao e a MLP
manteve seu comportamento de maior eficincia neste quesito: 96% contra 94% e 90% da Wang
e Anfis, consecutivamente.
O erro das estruturas pode ser observado nas Fig.s 21 (com alfa) e 23 (sem alfa). Nota-se
que a resposta disposta pelo mesmo ratifica o resultado disponibilizado pelo coeficiente de
correlao.
Mesmo diante do aumento no coeficiente de correlao, a resposta no foi melhor que a
apresentada pela configurao com dois eletrodos. A estrutura das redes aqui analisadas, bem
como o coeficiente de correlao disposto pelas mesmas podem ser examinados na tabela 5.
Na tabela 6, foi feita uma comparao entre os erros mdios quadrticos das melhores
respostas encontradas para as vrias estruturas. Atravs dessa, podemos observar que, em todos
os casos, as redes treinadas sem alfa apresentaram menor erro quadrtico, bem como maior
coeficiente de correlao. Observa-se ainda, que as redes neurais tiveram coeficiente de
correlao maior que os das neurofuzzy e, alm disso, nas anlises com dois eletrodos, as redes
tiveram uma resposta mais eficaz ao se analisar esses dois parmetros (nmeros em negrito na
tabela 6).

43
Figura 20 Respostas apresentadas pelas redes para oito indivduos escolhidos aleatoriamente e tomados
como conjunto de validao, sendo as entradas referentes a seis eletrodos (O1, O2, P3, P4, C3 e C4) com a
presena do ritmo alfa. A rede MLP utilizada para o treinamento possui duas camadas ocultas com 2 e 8
neurnios nas mesmas.

Figura 21 Comparao do erro apresentado nos trs mtodos durante 500 iteraes. Para essa resposta a
coerncia analisada foi referente a seis derivaes (O1, O2, P3, P4, C3 e C4) com a presena do ritmo alfa
na entrada das redes. A ilustrao expressa a eficcia da RNA diante da anlise do erro.

44
Figura 22 Respostas apresentadas pelas redes para oito indivduos escolhidos aleatoriamente e tomados
como conjunto de validao, sendo as entradas referentes a seis eletrodos (O1, O2, P3, P4, C3 e C4) sem a
presena do ritmo alfa. A rede MLP utilizada para o treinamento possui duas camadas ocultas com 2 e 8
neurnios nas mesmas.

Figura 23 Comparao do erro apresentado nos trs mtodos durante 500 iteraes. Para essa resposta a
coerncia analisada foi referente a seis derivaes (O1, O2, P3, P4, C3 e C4) sem a presena do ritmo alfa
na entrada das redes. A ilustrao expressa a eficcia da RNA diante da anlise do erro.

45
Tabela 5: Resultado apresentado pelas estruturas quando a funo coerncia foi calculada utilizando seis
derivaes: O1, O2, P3, P4, C3 e C4. So dispostas as estruturas das redes quanto ao nmero de camadas,
neurnios e regras bem como o coeficiente de correlao atingido.
Parmetros Com alfa Sem alfa
Rede Neural Wang Anfis Neural Wang Anfis
Nmero de camadas 1 2 1 1 2 1
Nmero de neurnios e regras 9 [2 6] 21 9 [8 3] 21
Coeficiente de correlao 0.92 0.84 0.72 0.96 0.94 0.90
Tabela 6: Erros e coeficientes de correlao apresentado pelas estruturas treinadas com dois, quatro e seis
eletrodos.
Com alfa Sem alfa
Parmetros
Neural Wang Anfis Neural Wang Anfis
Dois Coeficiente de correlao 0.97 0.96 0.80 0.98 0.97 0.92
eletrodos Erro mdio quadrtico 0.002 0.0068 0.1966 0.0005 0.0011 0.0041
Quatro Coeficiente de correlao 0.94 0.91 0.81 0.97 0.96 0.83
eletrodos Erro mdio quadrtico 0.0014 0.0014 0.0070 0.0009 0.0017 0.0110
Seis Coeficiente de correlao 0.92 0.84 0.72 0.96 0.94 0.90
eletrodos Erro mdio quadrtico 0.0019 0.0028 0.0044 0.0011 0.0023 0.0027
Na Fig.24, temos graficamente a representao dos coeficientes de correlao de todas as
estruturas, com ausncia e presena do ritmo alfa, para as vrias derivaes. Com a mesma
pudemos constatar a aplicabilidade da MLP para a deteco de respostas evocadas e, alm disso,
notamos que o melhor desempenho desta ferramenta ocorreu quando se utilizou apenas dois
canais na ausncia do ritmo alfa cerebral. Percebe-se ainda que ocorre uma reduo (na maioria
dos casos) do ndice de correlao medida que aumentava-se o nmero de canais.

46
Figura 24 Disposio grfica de todos os coeficientes de correlao obtidos durante o desenvolvimento
do projeto. O grfico explicita a reduo do coeficiente de correlao medida que se aumenta o nmero
de eletrodos a serem analisados.

47
5. CONCLUSO E DISCUSSES

Com o presente trabalho, conclumos que a estimativa da taxa de deteco dos indivduos,
pode ser identificada com o emprego de redes neurais, tornando o processo de anlise do EEG
mais rpido e no menos confivel ou mais dispendioso. A rapidez ocasionada pelo fato de ser
necessrio analisar apenas algumas faixas do sinal e, alm disso, no preciso calcular a
coerncia, nem to pouco a taxa de deteco, ou seja, os clculos sero simplificados. Assim, s
seriam necessrios os dados do espectro do EEG o que no exige computao complexa e sim a
investigao da funo de densidade espectral.
Ressaltamos ainda, que o ritmo alfa cerebral no se demonstra significativo para o
desempenho de detectores automticos de respostas evocadas. A veracidade desta informao
pode ser ratificada atravs do comportamento de todas as estruturas dispostas diante do erro e do
coeficiente de correlao. As mesmas apresentaram menor erro mdio quadrtico, bem como
maior coeficiente de correlao, quando tal parmetro foi descartado.
Alm disso, verificamos um melhor desempenho, em termos de coeficiente de correlao e
complexidade da rede, quando a tcnica utilizada foi a RNA. Observamos ainda, que possvel
realizar o teste de deteco de respostas apenas com dois eletrodos, pois os resultados das redes
tiveram um menor erro para esta situao. Tal ocorrncia pode est relacionada com o fato de
esses eletrodos estarem situados justamente sobre a regio occipital, onde as respostas tendem a
ser mais significativas diante do estmulo apresentado.
Outro fato a ser observado o comportamento da estrutura neurofuzzy. Como essa proposta
forneceu respostas com coeficientes de correlao menores que os apresentados pelas MLPs em
todos os casos estudados, pode-se constatar que, com a estrutura utilizada, esta no a melhor
ferramenta. Neste caso, a associao das regras fuzzy com as redes neurais no trouxe benefcios
significativos. Tal fato, possivelmente, est relacionado com a complexidade da estrutura
utilizada (apenas duas camadas intermedirias no caso da Wang). Em experimentos futuros, seria
interessante aumentar o nmero de camadas intermedirias da rede Wang para verificar se
ocorrer melhora na resposta, o que no foi realizado neste trabalho por limitaes de tempo.
Verificamos ainda, que os resultados avaliados neste projeto podem acarretar benefcios
imediatos populao quanto rapidez da avaliao do EEG. De forma geral, o detector
desenvolvido pode ser auxiliar para os profissionais clnicos nas anlises do exame durante a FEI.

48
 Alm disso, tais estudos podem ser estendidos para outras classes de pacientes, uma vez que
o EEG de crianas ou recm-nascidos tem comportamento diferente em relao aos adultos. Um
exemplo a ser citado a identificao de estgios do sono, como apresentado por Bosignolli et al.
(2002), no qual a tcnica aqui desenvolvida poderia auxiliar. Outra oportunidade de se aplicar tal
metodologia na identificao de Silncio Eltrico Cerebral (SEC) em recm-nascidos, cuja
deteco deve averiguar sinais com limiar em dois micro-Volts como discutido por Luccas et al.
(1998).
De outro modo, o mtodo disposto neste trabalho pode ser estendido para vrias diretrizes
da cincia em que a deteco de sinais um problema. Dentre essas podemos citar a identificao
de pequenos obstculos por robs atravs de eco de ondas sonoras (VIEIRA et al.) ou ainda em
um sistema de vigilncia para detectar seqncias de pulsos de radares, identificando a fonte
(ZANANDREA et al.).
Por fim, conclui-se que o uso de tcnicas conexionistas de grande utilidade e podem
auxiliar em vrios campos da cincia, inclusive na identificao de taxas de deteco em EEG de
indivduos submetidos FEI, que foi o trabalho aqui proposto.

49
6. SUGESTES PARA TRABALHOS FUTUROS

No presente trabalho, o passo utilizado no pr-processamento, para a obteno dos

espectros, foi de um. Tal fato permitiu que o vetor de freqncia tivesse apenas valores inteiros,
variando de 1Hz a 13Hz. Uma modificao que, eventualmente, melhoraria o desempenho dos
detectores a reduo do passo para 0.5Hz, constituindo um vetor de freqncia maior.
Alm disso, implementaes podem ser feitas na rede Wang de modo que a mesma possa
atingir uma dinmica mais eficiente que a obtida no presente trabalho. Isso pode ser feito
utilizando redes com mais camadas.

50
7. REFERNCIAS BIBLIOGRFICAS

ARGOUD, F. I. M.; AZEVEDO, F. M.; MARINO NETO, J. Sistema de Deteco Automtica

de Paroxismos Epileptognicos em Sinais de Eletroencefalograma. Revista de Controle &
Automao, vol. 15, n.4, p.467-475, 2004.
BITTENCOURT, G. Inteligncia Artificial: Ferramentas e Teorias. 2.ed. Florianpolis: Ed. da
UFSC, p. 301-309, 2001.
BOSIGNOLI, R.; INFANTOSI, A. F. C. Redes Neurais Artificiais na classificao de estados
do ciclo sono-viglia em Recm Nascidos. Revista Brasileira de Engenharia Biomdica, vol.18,
n.2, p. 75-87, 2002.
BRAGA, A. P.; LUDERMIR, T.B.; CARVALHO, A. C. P. L. F. Redes Neurais Artificiais
Teoria e Aplicaes. Rio de Janeiro: LTC, 2000.
DOBIE, R. A.; WILSON, M. J. Analysis of Auditory Evoked Potentials by Magnitude-
Squared Coherence. Ear and Hearing , vol. 10, n. 1, p. 2-13, 1989.
FERREIRA, D. D.; MIRANDA de S, A. M. F. L. Anlise do EEG durante Estimulao
Sensorial baseada nas Funes de Coerncia Simples, Mltipla e Parcial. Revista Brasileira
de Engenharia Biomdica, vol.21, n.1, p.5-14, abril, 2005.
FELIX, L. B.; MIRANDA DE S, A. M. F. L.; INFANTOSI, A. F. C. Deteco Objetiva de
Respostas no EEG sob Fotoestimulao Intermitente Uma Abordagem Multivarivel.
Anais de Trabalhos Completos do XVIII Congresso Brasileiro de Engenharia Biomdica, vol.
5/5, p. 488-492. So Jos dos Campos, So Paulo, Brasil, 2002.
FELIX, L. B.; MORAES, J. E.; MIRANDA DE S, A. M. F. L.; YEHIA, H. C.; MORAES, M.
F. D. Avoiding spectral leakage in objectivedetection of auditory steady-state evoked
responses in the inferiorcolliculus of rat using coherence. Journal of Neuroscience Methods,
144, p. 249-245, 2002.
FONSECA, L. C. Demncia Eletroencefalograma e Eletroencefalograma Quantitativo.
Sociedade Brasileira de Neurofisiologia Clnica. Projeto Diretrizes. Associao Mdica
Brasileira e Sociedade Brasileira de Medicina, 2002. Disponvel em:
<www.projetodiretrizes.org.br/projeto_diretrizes/035.pdf> Acesso em: 12 set. 2007.
HAYKIN, S. Redes Neurais: princpios e prtica. Trad. ENGEL, P. M.. 2.ed.,Porto Alegre: Ed.
Bookman, 2001.
HAYKIN, S.; VEEN, B. V. Sinais e Sistemas. Trad. SANTOS, J. C. B.. Porto Alegre: Ed.
Bookman, 2001.
HUUPONEN, M.; LEHTOKANGAS, J.; SAARINEN, J.; VRRI, A.; SAASTAMOINEN, A.;
HIMANEN, S.-L.; HASAN, J. EEG Alpha Activity Detection by Fuzzy Reasoning.
Proceedings of the Joint 9th IFSA World Congress and 20th NAFIPS International Conference, p.
411-416, Vancouver, Canad, 2001.
INFANTOSI, A. F. C.; LAZAREV, V. V.; CAMPOS, D. V. Deteco de resposta a
fotoestimulao intermitente no eletroencefalograma utilizando o teste F-Espectral. Revista
Brasileira de Engenharia Biomdica, v. 21, n. 1, p. 25-36, SBEB - Sociedade Brasileira de
Engenharia Biomdica, 2005.

51
JANG, J. S. R.; SUN, C. T.; MIZUTANI, E. Neuro - Fuzzy and Soft Computing - A
computational Approach to Learning and Machine Intelligence. Prentice Hall, 1997.
LUCCAS, F. J. C., BRAGA, N. I. O., SILVADO, C. E. S., 1998. Recomendaes tcnicas para
o registro do eletroencefalograma (EEG) na suspeita da morte enceflica. Arq. Neuro-
Psiquiatr., vol.56, n.3B, So Paulo. Disponvel em:
<http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0004-282X1998000400030>. Acesso
em: 22 out. 2007.
MEDEIROS, A. V.; MAITELLI, A. L.; GABRIEL FILHO, O. Otimizao das Funes de
Pertinncia de um Controlador Nebuloso Utilizando Algoritmos Genticos. Anais do V
Simpsio Brasileiro de Automao Inteligente, pp. 1-6, Canela, RS, nov. 2001.
MIRANDA DE S, A. M. F. L.; FELIX, L. B. Improving the Detection of Evoked Responses
to Periodic Stimulation by using Multiple Coherence Application to EEG during Photic
Stimulation. Medical Engineering and Physics, vol. 24, n. 4, p. 245-252, 2002.
MIRANDA DE S, A. M. F. L.; INFANTOSI, A. F. C. Evaluating the entrainment of the
alpha rhythm during stroboscopic flash stimulation by means of coherence analysis.
Medical Engineering and Physics, vol. 27, p. 167-173, 2004.
MIRANDA DE S, A. M. F. L.; SIMPSON, D. M.; INFANTOSI, A. F. C. Coherence between
one Random and one Periodic Signal for Measuring the Strength of Responses in the EEG
during Sensory Stimulation. Med. Biol. Eng. Comput., vol. 40, n. 2, p. 99-104, 2002.
MIRANDA DE S, A. M. F. L.; FELIX, L. B.; INFANTOSI, A. F. C. A Matrix-Based
Algorithm for Estimating Multiple Coherence of a Periodic Signal and Its Application to
the Multichannel EEG During Sensory Stimulation. IEEE Transactions on Biomedical
Engineering, vol. 51, n. 7, July 2004.
MOUTINHO, A M. Inteligncia Computacional. Introduo ao uso de Redes Neurais com o
Matlab. 2004. Disponvel em:
<http://www.adrianomoutinho.com/trabalhos/introducao_ao_uso_de_redes_neurais_com_matlab
_ic_2004.pdf>. Acesso em: 18 set. 2007.
RAMOS, E. G.; ZAYEN, E. J. B. Deteco da Resposta Auditiva no EEG de Crianas
utilizando Tcnicas no Domnio da Freqncia. Rev. Bras. Eng. Biomd., vol. 16, n. 3, p. 125-
137, 2000.
REDE MULTILAYER FEEDFORWARd. Disponvel em:
<http://www.scielo.br/img/revistas/rem/v58n3/11f2.gif>. Acesso: 22 out. 2007.
RODRIGUES, M. A. B.; AZEVEDO, F. M.; MARINO NETO, J. Sistema para a identificao
de padres do sono com o auxlio de redes neurais dinmicas. Proceedings of the IV
Brazilian Conference on Neural Networks pp. 326-331, Julho 20-22, ITA, So Jos dos
Campos, SP, 1999.
SANDRI, S. A.; CORREA, C. V Escola de Redes Neurais. Promoo: Conselho Nacional de
Redes Neurais, pp. c073-c090, 19 de julho, ITA, So Jos dos Campos SP, 1999.
SIMPSON, D. J.; TIERRA-CRIOLLO, C. J.; ZAYEN, E. J. B.; LEITE, R. T.; INFANTOSI, A.
F. C. Objective Response Detection in an Elecroencephalogram during

52
Somatosensorial Stimulation. Annals of Biomedical Enginnering , vol. 28, n. 6, p. 691-698,
2000.
TAFNER, M. A. Estagiamento automtico do Sono utilizando um canal de EEG e uma rede
Neural Artificial com Alta representao cortical. Tese submetida Universidade Federal de
Santa Catarina. Florianpolis, SC, 1999.
WANG, L.-X. Adaptive Fuzzy Systems and Control Design and Stability Analysis.
Englewood Cliffs: Prentice Hall, 1994.
ZANANDREA, A.; SAOTOME, O.; FREITAS, S. V. Deteco de sinais de pulso de radar
atravs da transformada contnua da wavelets. Diviso de Engenharia Eletrnica-IEE,
Instituto Tecnolgico da Aeronutica ITA, 12228-900, So Jos dos Campos, SP. Disponvel
em: <http://www.sbmac.org.br/eventos/cnmac/cd_xxviii_cnmac/resumosestendidos/ademilson_
zanandrea_ST20.pdf>. Acesso em: 22 out. 2007.
ZEIDENBERG, M. Neural Networks in Artificial Intelligence. Ellis Horwood Limited, 1990.

53