Análise do desempenho de técnicas multiclasse de extração de características em interfaces cérebro máquina ativadas por imaginação de movimento.

Abstract

Interfaces Cérebro Máquina (ICMs) são sistemas que permitem o controle de dispositivos externos à partir de sinais adquiridos da atividade cerebral. Neste trabalho, foram avaliados os impactos da etapa de seleção de características e de quatro abordagens de extração de características pelo método de Padrões Espaciais Comuns com aplicação de Banco de Filtros (FBCSP do inglês Filter Bank Common Spatial Patterns), no desempenho da discriminação entre quatro classes de Imaginação de Movimento (IM) de 9 Indivíduos. Os conjuntos de características para abordagens FBCSP por Diagonalização Simultânea (FBCSP DS), FBCSP Dividir e Conquistar (FBCSP DC), FBCSP Par a Par (FBCSP PW do inglês Pairwise) e FBCSP Um versus Resto (FBCSP OxR do inglês One versus Rest) foram extraídos de trechos segmentados de 4.5 s e filtrados na faixa de 4-40 Hz por filtros Butterworth de ordem 4 com 4 Hz de largura de banda. Para os métodos FBCSP DC, PW e OxR, é proposta a concatenação das características binárias (modelos independentes) extraídas das combinações específicas de classes propostas em cada abordagem para a criação de um modelo único. O método de seleção de características por Mínima Redundância e Máxima Relevância foi utilizado para selecionar conjuntos ótimos de atributos. Os coeficientes kappa para os métodos clássicos FBCSP DC, PW e OxR foram 0.52, 0.572 e 0.569, respectivamente, enquanto que para as abordagens propostas FBCSP DS, DC, PW e OxR foram de 0.5761, 0.6161, 0.6489 e 0.6295, respectivamente. Os métodos propostos apresentaram uma significativa redução no conjunto de características utilizadas para modelagem selecionando, em média, 46% destas. Os resultados deste trabalho, sugerem um aumento no desempenho (coeficiente kappa), e uma diminuição no conjunto de características utilizadas. Portanto, as técnicas apresentadas poderiam ser utilizadas para implementar ICMs multiclasse.