Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40124| Título: | Desenvolvimento de métodos computacionais para predição de séries temporais de EEG |
| Título(s) alternativo(s): | Development of computational methods for predicting EEG time series |
| Autor(es): | Figueiredo, Maria Fernanda Oliveira de |
| Orientador(es): | Gonçalves, Cristhiane |
| Palavras-chave: | Eletroencefalografia Processamento de sinais Aprendizado do computador Biotecnologia Electroencephalography Signal processing Machine learning Biotechnology |
| Data do documento: | 2-Dez-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Ponta Grossa |
| Citação: | FIGUEIREDO, Maria Fernanda Oliveira de. Desenvolvimento de métodos computacionais para predição de séries temporais de EEG. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Bioprocessos e Biotecnologia) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2025. |
| Resumo: | O presente trabalho apresenta o desenvolvimento de uma interface textual de código aberto para análise, processamento e predição de séries temporais de eletroencefalograma (EEG). A ferramenta foi criada com o objetivo de automatizar rotinas de pré-processamento, análise de conectividade funcional e treinamento de modelos preditivos baseados em redes neurais artificiais, especificamente arquiteturas CNN-LSTM, voltadas tanto para a predição de sequências de sinais quanto para a classificação de bandas de frequência cerebrais. A proposta visa suprir a demanda por métodos computacionais transparentes e acessíveis para aplicações em neuromodulação, interfaces cérebro-máquina e diagnósticos clínicos, áreas que tradicionalmente dependem de softwares proprietários e pouco transparentes. A ferramenta foi avaliada em três bases de dados distintas: tarefa de sustentação de atenção, EEG em estado de repouso e estimulação sensorial visual, demonstrando desempenho satisfatório na predição de tendências temporais e na classificação de frequências, com acurácias de validação superiores a 84% em dois dos três cenários. O sistema foi disponibilizado publicamente no GitHub, garantindo acesso livre e possibilitando futuras expansões e adaptações por parte da comunidade científica e de desenvolvedores. |
| Abstract: | This work presents the development of an open-source textual interface for the analysis, processing, and prediction of electroencephalogram (EEG) time series. The tool was created to automate routines for preprocessing, functional connectivity analysis, and training of predictive models based on artificial neural networks, specifically CNN-LSTM architectures, aimed at both predicting signal sequences and classifying brain frequency bands. The proposal aims to meet the demand for transparent and accessible computational methods for applications in neuromodulation, brain-computer interfaces, and clinical diagnostics, areas that traditionally rely on proprietary and non-transparent software. The tool was evaluated on three distinct datasets: a sustained attention task, restingstate EEG, and visual sensory stimulation, demonstrating satisfactory performance in predicting temporal trends and frequency classification, with validation accuracies above 84% in two of the three scenarios. The system has been made publicly available on GitHub, ensuring free access and enabling future expansions and adaptations by the scientific and developer communities. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40124 |
| Aparece nas coleções: | PG - Engenharia de Bioprocessos e Biotecnologia |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| predicaoeegredesneurais.pdf | 1,14 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
