Informações do Trabalho
Titulo
Interface Cérebro-Máquina via Métodos de Aprendizado de Máquina
Subtítulo
Alinhamento euclidiano para aprendizado por transferência em Common Spatial Pattern Multibanda
Autor
MARCELO DE MELO AMORIM FILHO
Orientador
GABRIEL HENRIQUE DE SOUZA
Resumo
O acidente vascular cerebral (AVC) é uma das principais causas de morte e incapacidade no mundo. Interfaces Cérebro-Computador (BCI) surgem como uma opção promissora para reabilitação pós-AVC. No entanto, os modelos tradicionais de BCI enfrentam desafios devido à natureza não estacionária dos sinais de eletroencefalografia e às diferenças anatômicas entre indivíduos. Técnicas de Transferência de Aprendizado (TL), como o Alinhamento Euclidiano (EA), têm sido utilizadas para reduzir as diferenças anatômicas, mas frequentemente perdem informações importantes devido ao uso de filtros temporais de banda única. Este estudo propõe uma nova arquitetura para BCI que combina EA com filtros temporais multibanda, incluindo Banco de Filtros (FB), Decomposição Empírica em Modos e Transformada Contínua de Wavelet. Os experimentos foram realizados utilizando o conjunto de dados PhysionetMI, com configurações de 3 e 8 eletrodos, e avaliados por meio de validação cruzada estratificada. Os resultados demonstraram que o modelo EA-FB com o Padrão Espacial Comum (CPS) seguido pela Análise de Discriminante Linear como classificador alcançou os melhores desempenhos, com acurácias de 80% (3 eletrodos) e 73,33% (8 eletrodos), representando uma melhoria de aproximadamente 44% e 43%, respectivamente, em comparação com o EA-CSP tradicional. Além disso, a aplicação do EA antes dos filtros multibanda mostrou-se mais eficaz do que a ordem inversa, sugerindo uma revisão na ordem das etapas do pipeline de BCI. O FB destacou-se como o melhor método de filtragem temporal, provavelmente devido à sua capacidade de isolar os ritmos mu (8-13 Hz) e beta (13-30 Hz), cruciais para tarefas de Imaginação Motora. Este trabalho contribui para o avanço das BCIs de reabilitação pós-AVC, reduzindo o tempo de calibração e melhorando a robustez e generalização dos modelos.
Ano:
2025
Palavras-Chave
Interface Cérebro-Máquina; Transferência de Aprendizado; Alinhamento Euclidiano; Eletroencefalograma
Obter PDF
Obter arquivos extras
Obter Bibtex