Análise do desempenho de técnicas de processamento de sinais para uma interface cérebro-computador baseada em imagética motora.

Abstract

Interfaces cérebro-computador são sistemas em hardware e software que permitem a seus usuários transmitir suas intenções a dispositivos externos com o envolvimento mínimo de nervos periféricos e músculos. Uma forma de se controlar essas interfaces é através de imagética motora, que consiste em se imaginar um movimento sem realizá-lo, provocando alterações em ritmos cerebrais que podem ser detectadas em sinais de eletroencefalograma (EEG). Visando identificar essas alterações, neste trabalho desenvolveu-se a etapa de processamento de sinais de uma interface cérebro-computador, compreendendo: pré-processamento, extração de atributos, seleção de atributos e classificação. O pré-processamento dos sinais foi realizado usando Common Average Reference (CAR), a extração de atributos através do periodograma de Welch, Common Spatial Patterns (CSP) e Filter Bank Common Spatial Patterns (FBCSP), a seleção de atributos baseada em informação mútua e a classificação com Support Vector Machine (SVM) e Naïve Bayes. O sistema foi avaliado usando uma base de dados contendo sinais de EEG de nove pessoas realizando imagética motora de quatro classes diferentes: mão esquerda, mão direita, pés e língua. A melhor combinação encontrada alcançou uma acurácia de 71.20\% empregando CAR, FBCSP, informação mútua e Naïve Bayes. Os resultados indicam que a etapa de seleção de atributos é a que mais impacta a taxa de acerto, sendo que todas as melhores combinações de técnicas incluíram o FBCSP, e em todas as combinações o CSP superou a extração de atributos através do periodograma de Welch.