Aplicação de técnicas de deep learning em sinais cerebrais.

Abstract

Interfaces-cérebro computador (BCI) são sistemas que permitem realizar uma comunicação direta entre o cérebro do usuário e uma máquina. Neste trabalho, foi estudada a abordagem de BCI baseada em potenciais evocados visualmente em regime estacionário (SSVEP). Todas as etapas de processamento de sinais de uma BCI-SSVEP (filtragem, extração de características e classificação) foram implementadas. O enfoque do trabalho foi avaliar o impacto de técnicas de classificação no desempenho do sistema BCI. Para isso, três abordagens distintas de discriminação foram testadas: (1) classificador linear baseado no método dos mínimos quadrados que forneceu desempenho médio de 47%, (2) rede neural convolucional usando extração de características pelo método da FFT e topologia de 2 camadas ocultas empregando kernel = 5 e função de ativação do tipo tangente hiperbólica, que forneceu desempenho médio de 87% e (3) rede neural convolucional com os dados brutos, eliminando a etapa de extração de características pelo método da FFT, nesta configuração, a rede tem sua topologia dependente dos dados EEG colocados na entrada, assim foi feito o tunelamento somente para o indivíduo 32 da base de dados, e obteve-se um desempenho de 81%.