Processamento de Dados Biológicos |
Reconhecimento de Padrões

Este repositório destina-se a conter todos os artefatos desenvolvidos durante a disciplina optativa intitulada Reconhecimento de Padrões (OPT020) ministrada pelo professor Dr. Rodrigo Hübner. A disciplina compreendeu majoritariamente processamento de sinais biológicos. As bases de dados utilizadas foram obtidas em um experimento, por meio de equipamentos de eletroencefalograma (EEG).

O Experimento

O experimento realizado teve como objetivo comparar os níveis de foco de alunos de graduação enquanto assistiam a uma aula ministrada com a metodologia de ensino ativa e a outra aula com a metodologia de ensino tradicional.

Cada aluno assistiu a duas aulas, cada uma correspondente a uma das metodologias de ensino supracitadas, com um intervalo de 1 a 3 dias entre elas. Enquanto assistiam, um equipamento de eletroencefalograma (EEG) de 8 canais (eletrodos) capturava os sinais cerebrais do aluno e os registrava em um arquivo. Os dados obtidos podem ser acessados com um e-mail institutional da UTFPR.

Artefatos e seus objetivos

Durante a primeira etapa de trabalho (roteiro.ipynb) buscou-se desenvolver um algoritmo denominado Janela Deslizante que determina a porcentagem de tempo em que cada banda de frequência cerebral é dominante ao longo de uma janela de tempo específica. Os resultados obtidos são plotados em gráficos de barras respectivos a cada seção (conjunto de dados de um participante) do experimento.

Por meio da análise dos dados do experimento no software OpenBCI GUI, foram identificados trechos que apresentam picos de potência em bandas de frequência cerebrais específicas. Nesse sentido, o segundo produto desta disciplina (sliced_analysis.ipynb) visou observar e identificar essas proeminências de potência através do algoritmo de janela de tempo deslizante citado anteriormente.

Por fim (feature_snr.ipynb), empregou-se a relação sinal-ruído (SNR, signal-to-noise ratio) para tentar realçar a presença dos ritmos cerebrais relacionados ao foco. Nesse contexto, em linhas gerais, foi utilizado um sinal cerebral basal para (através do SNR) "subtraí-lo" dos dados de interesse.

Como executar o projeto

1 - Clone este repositório

git clone https://github.com/GustavoMartinx/Biological-Data-Processing.git

2 - Obtenha as bases de dados utilizadas

Acesse o diretório Dataset S7 disponível neste Google Drive e realize o download do arquivo dataset-s7.zip:

Descompacte o arquivo dataset-s7.zip baixado e insira-o no diretório Dataset-Foco-Atencao, de modo que a estrutura do projeto fique assim:

Dataset-Foco-Atencao/
├── dataset-s7/
│   ├── GT/
│   │   ├── MinutagemGT.docx
│   │   └── OpenBCI-RAW_GT.txt
│   ├── IA/
│   │   ├── MinutagemIA.docx
│   │   └── OpenBCI-RAW_IA.txt
│   ├── TF/
│   │   ├── MinutagemTF.docx
│   │   └── OpenBCI-RAW_TF.txt
└── src/

3 - Crie um ambiente virtual

python -m venv ./nome-do-venv

Em seguida, ative-o:

• Linux

  source ./nome-do-venv/bin/activate
  

• Windows (Prompt de Comando)

  .\nome-do-venv\Scripts\activate
  

• Windows (Terminal Integrado do VSCode)

  source ./nome-do-venv/Scripts/activate
  

4 - Instale as dependências

pip install -r requirements.txt

5 - Execute o projeto

Para executar os jupyter notebooks, basta selecionar qual kernel Python você deseja utilizar. Selecione o ambiente virtual recém criado que contém as dependências necessárias instaladas e execute as células do notebook.