Electroencephalography (EEG) is a fundamental tool for understanding the brain’s electrical activity related to human motor activities. Brain-Computer Interface (BCI) uses such electrical activity to develop assistive technologies, especially those directed at people with physical disabilities. However, extracting signal features and patterns is still complex, sometimes delegated to machine learning (ML) algorithms. Therefore, this work aims to develop a ML based on the Random Forest algorithm to classify EEG signals from subjects performing real and imagery motor activities. The interpretation and correct classification of EEG signals allow the development of tools controlled by cognitive processes. We evaluated our ML Random Forest algorithm using a consumer and a research-grade EEG system. Random Forest efficiently distinguishes imagery and real activities and defines the related body part, even with consumer-grade EEG. However, interpersonal variability of the EEG signals negatively affects the classification process.

Resumo-A avaliação de desempenho e a busca de uma configuração de rede otimizada nos estágios de concepção de funcionalidades e pré-implantação são muito desafiadores para redes IoT, devido a cobertura extensa, o grande número de dispositivos e a duração do período de avaliação (dias de avaliação), pois os serviços IoT, geralmente, demandam baixa taxa de transmissão. Outro desafio importante é a personalização do cenário de avaliação, que depende fortemente da aplicação IoT alvo. Modelar um sistema de monitoramento sem fio para uma fazenda de criação de gado é bem diferente de modelá-lo para fins agrícolas. Essas peculiaridades se materializam em desafios a serem vencidos na etapa de prototipagem do sistema de telecomunicações, demandando flexibilidade de configuração e eficiência computacional da ferramenta de simulação. Este artigo explora o simulador ns-3 como ferramenta de prototipagem para serviços IoT utilizando o sistema NB