Classificação multiclasse de sinais de eletroencefalograma para tarefas de imaginação motora utilizando processamento estatístico de sinais e deep learning

• Ano de defesa: 2023
• Autor(a) principal: COSTA, William Henrique Pereira
• Orientador(a): SILVA, Luiz Eduardo Borges da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Itajubá
• Programa de Pós-Graduação: Programa de Pós-Graduação: Mestrado - Engenharia Elétrica
• Departamento: IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação
• País: Brasil
• Palavras-chave em Português: Eletroencefalograma; Imaginação motora; Processamento de biossinais; Machine learning; Deep learning
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/3867

Interesses de pesquisa: A classificação eficiente dos sinais de eletroencefalograma (EEG) é fundamental para a construção de sistemas com interface cérebro-computador. No entanto, a complexidade dos sinais de EEG e sua variabilidade entre indivíduos apresentam desafios significativos para a classificação precisa. Este estudo tem relevância social, pois pode contribuir para o desenvolvimento de interfaces cérebro-computador assistivas, beneficiando pessoas com severos danos motores, como aquelas que sofreram acidente vascular cerebral (AVC). Essas interfaces têm o potencial de melhorar a qualidade de vida desses indivíduos, permitindo a comunicação e o controle de dispositivos através da atividade cerebral. Objetivos: Este estudo teve como objetivo comparar o desempenho e o custo computacional de uma rede neural artificial utilizando diferentes técnicas de processamento de sinal na classificação de estados de repouso e imaginação do movimento do punho esquerdo e direito a partir de sinais de EEG. Foram exploradas três técnicas estatísticas de processamento de sinais: Análise de Componentes Principais (PCA), Análise de Componentes Independentes (ICA) e Análise Espectral Singular (SSA), em conjunto com uma Rede Neural Convolucional (CNN). Resultados obtidos: Os resultados obtidos revelaram que a técnica de PCA proporcionou uma redução no tempo de treinamento de até 63,5%, sem comprometer significativamente o desempenho em termos de acurácia na classificação. A PCA demonstrou ser uma abordagem promissora, permitindo a captura de informações relevantes nos sinais de EEG e aprimorando a capacidade da CNN em realizar a classificação com precisão. Por outro lado, as técnicas de ICA e SSA não apresentaram resultados promissores. A ICA teve efeitos negativos na extração de características, resultando em uma diminuição na acurácia da classificação realizada pela CNN. A SSA, por sua vez, mostrou um desempenho geralmente baixo em todas as métricas avaliadas, indicando uma dificuldade em capturar as informações discriminativas presentes nos sinais de EEG-IM.