BrainSleep: sistema móvel para detecção de estados de sonolência baseado em ondas cerebrais

Abstract

O objetivo deste estágio consistiu em desenvolver uma aplicação para o sistema operativo Android que conseguisse detetar o estado de sonolência num indivíduo, baseado em informação cerebral adquirida através do Eletroencefalograma (EEG). A deteção de estado de sonolência é de extrema importância pois poderá evitar as graves consequências que o sono pode trazer em certas tarefas do nosso dia-a-dia. Espera-se que esta aplicação tenha uma grande importância prática, uma vez que o sono é uma das principais causas de acidentes fabris e de viação. Em primeiro plano, este relatório reporta um estudo em torno da neurofisiologia do sono, onde são apontados os diferentes estados do sono e as doenças a si associadas. É também reportado um estudo acerca das metodologias de aquisição de biosinais importantes para o estágio em causa. Neste estudo demos especial importância ao eletroencefalograma (EEG), uma vez que foi a principal fonte de informação utilizada neste estágio. Visando a classificação de estados de sonolência, foi feito um estudo sobre as metodologias mais usadas para extração de características e para reconhecimentos de padrões (tais como máquinas de vetor de suporte (SVM), redes neuronais artificiais, entre outras). Relativamente aos dados, foram elaborados dois estudos. O estudo inicial incidiu sobre 15 indivíduos, onde se retiraram algumas informações importantes referentes às características e zonas que melhor classificam o sono. O segundo estudo, foi com 8 indivíduos onde se direcionou mais para análise e classificação, para posteriormente se utilizar o modelo treinado para a implementação em Android. Do ponto de vista técnico, foi assemblado o sistema total necessário para aquisição e processamento de sinais formado pelo equipamento Emotiv EEG neuroheadset e pelo dispositivo móvel Asus Memo Pad 7 a correr o sistema operativo Android 4.1.1. O Emotiv EEG neuroheadset tem capacidade para efetuar a leitura de 14 posições cerebrais assim como as leituras de dois giroscópios. Ao nível de software foi desenvolvido o código necessário para a aquisição, graficação, e extração de algumas características dos sinais de EEG. No projeto é possível visualizar o sinal dos elétrodos do Emotiv EEG neuroheadset, sendo que os mesmos são apresentados graficamente no dispositivo móvel Asus Memo Pad 7. Foi desenvolvido também um programa para obtenção dos valores dos elétrodos numa plataforma Windows para posteriormente efetuar-se a leitura de dados e a sua gravação numa base de dados. O sistema móvel deteta o estado de sonolência de um indivíduo. Para tal, foi necessário aplicar classificadores de maneira a poder classificar os sinais com a precisão adequada, isto é, com sensibilidade elevada e com uma taxa de falsos alarmes reduzida.

The objective of this dissertation is to develop an application for the Android operating system that can detect early stages of sleepiness in individual, based on the information acquired by brain Electroencephalogram (EEG) and head motion information provided by gyroscopes. The states of drowsiness detection are extremely important because it can avoid the serious consequences that sleep can bring on certain daily tasks. This application will have a great practical importance, since sleep is a major cause of industrial and driving accidents. This interim report presents a study about the neurophysiology of sleep, highlighting the different states of sleep and its associated diseases. It also reports a study about the methods for biosignals acquisition (important for the dissertation in question). In this study, we give particular importance to electroencephalogram (EEG), because it will be the main source of information to use during this project. Aiming the classification of the drowsiness stage, a study on the methodologies most commonly used in literature for feature extraction and pattern recognition (such as support vector (SVM) machines, artificial neural networks, etc.) has been done. Relation to the data, two studies was conducted. The initial study focused on 15 users, which withdrew from some important information relating the features and areas that best classify sleep. The second was with 8 users where it has directed more for analysis and classification, later to use the train model for deployment on Android. From the technical point of view, at the moment, we assembled the total system required for acquisition and signal processing, formed by Emotiv device and the mobile Asus Memo Pad 7 running Android 4.1.1 operating system. The EEG Emotiv neuroheadset has 14 cerebral eléctrodo and 2 gyroscopes readings that allows multiple acquisitions. At the software level we developed code for the acquisition, and displaying of the EEG and head movements signals. Is possible to view the signal from the Emotiv EEG electro neuroheadset. Signals are presented graphically in the mobile Asus Memo Pad 7. A program was also developed to obtain the values of the electro in Windows platform and consequently reading of individuals data and record them in a database. The mobile system to detect the state of sleepiness. For this it is necessary to apply classifiers and classify the signals with appropriate accuracy, i.e. with high sensitivity and a reduced rate of false alarms.