Técnicas de aprendizado de máquina para interfaces cérebro-computador baseadas em EEG

• Autor(a) principal: Almeida, Wallace Faveron de
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/100/100131/tde-20062021-211101/
• topic: Aprendizado de máquina; Brain-computer interface; Classificação; Classification; Electroencephalogram; Eletroencefalograma; Extração de características; Feature extraction; Imagética motora; Interface cérebro-computador; Machine learning; Motor imagery

Pessoas que sofrem de doenças neurológicas podem apresentar algum tipo de paralisia e serem incapazes de realizar quaisquer funções motoras, mas podem ter algumas habilidades cognitivas. Neste caso, a única maneira de se comunicarem com o ambiente é usando suas atividades cerebrais. Sinais elétricos oriundos de diferentes partes do corpo humano podem ser usados como sinais de comando para controlar sistemas mecânicos. No entanto, é necessário que o responsável pelo controle de tais dispositivos seja capaz de gerar intencionalmente esses sinais, e que a interface adotada possa \"entender\" e processar tais sinais, definindo o comando adequado ao desejo do indivíduo. O sinal de eletroencefalograma (EEG) corresponde ao potencial elétrico devido à atividade cerebral e pode ser adquirido sobre o couro cabeludo. Interface Cérebro-Computador (BCI) consiste de um sistema capaz de traduzir a atividade neural do cérebro em comandos para dispositivos externos. Os principais fatores que influenciam o desempenho de um sistema de BCI são os sinais cerebrais capturados, os métodos de processamento, a extração de características, os algoritmos que traduzem essas características em comandos, os dispositivos de saída que executam esses comandos, a realimentação fornecida pelo usuário e as particularidades do usuário. A maioria dos sistemas de BCI contém, como parte principal, um algoritmo de aprendizado de máquina, que aprende a partir dos dados de treinamento uma função que pode ser usada para discriminar diferentes padrões de atividade cerebral. Por simplicidade, os algoritmos de aprendizado de máquina geralmente são divididos em dois módulos: extratores de características e classificadores. O módulo de extração remove as informações desnecessárias do sinal de entrada, e ao mesmo tempo retém informações que são importantes para discriminar diferentes classes de sinais. As características extraídas são traduzidas em um sinal de controle pelos algoritmos de aprendizado de máquina. Devido ao fato da tecnologia por trás de um sistema de BCI ainda não estar suficientemente madura e apresentar deficiências em aplicações de mundo real, a principal motivação desta Dissertação de Mestrado é realizar um estudo aprofundado envolvendo diversas técnicas de extração de características e classificadores visando classificar quatro diferentes tarefas de imagética motora (mão esquerda, mão direita, pés e língua). Os experimentos foram realizados utilizando uma base de dados de uma competição de BCI disponível publicamente. Com base nos experimentos realizados, pode-se afirmar que dentre os extratores de características utilizados, o Padrão Espacial Comum (CSP) foi aquele que extraiu as características mais discriminantes. Por outro lado, o intervalo de tempo usado para realizar a extração de característica apresentou pouca interferência no desempenho de classificação e os classificadores Máquina de Vetores Suporte (SVM), Perceptron Multicamadas (MLP) e Floresta de Caminhos Ótimos (OPF) apresentaram desempenho similares. Adicionalmente, as Redes Neurais Convolucionais (CNN), que não utilizam características geradas manualmente, também apresentaram performances semelhante em suas abordagens