TS2Image : a software to convert EEG time series into images for training brain-computer interface convolutional neural networks

• Autor(a) principal: Valcanaia, Henrique Indalencio
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: eng
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/235487
• topic: Redes neurais; Aprendizado de máquina; Software; Brain-computer interface; Gramian angular field; Event-related spectral per turbation; Convolutional neural networks; Electroencephalography; Machine learning; Deep learning

Os recentes avanços em neurosciencia, processamento de sinais, e inteligência artificial permitem cientistas explorar novas formas de se comunicar com computador continuamente. Estes esforços impactarão drásticamente a sociedade, especialmente indivíduos com distúrbios neuromusculares que os impedem de utilizar métodos convencionais de comunicação e/ou motores. As Interfaces Cérebro-Computador (ICC) são o atual método estado da arte que busca contornar as dificuldades mencionadas. Devido à falta de ferramentas de software pré-existentes, os fluxos de trabalho e pipelines de pesquisa em ICC são desenvolvidos sob demanda, exigindo conhecimentos em ciência da computação. Portanto, este trabalho apresenta uma nova ferramenta de software e pipeline para tornar a pesquisa em ICC mais acessível aqueles que não possuem experiência em ciência da computação para processamento de sinais. O software proposto gera imagens a partir de sinais de EEG para, então, serem utilizadas no treinamento de um modelo de Deep Le arning, mais especificamente, uma Rede Neural Convolucional (RNC), visando extrair e classificar as características da ICC de forma automática. A implementação inicial inclui algoritmos em Python para geração de imagens a partir de séries temporais (sinais EEG) usando as técnicas Gramian Angular Field (GAF) e Event-Related Spectral Dynamics (ERSP). Este software visa reduzir o tempo e esforço na criação de conjuntos de dados de imagem para treinar modelos CNN, utilizando uma rica diversidade de configurações personalizáveis, como o tamanho da janela, canais e método (GAF ou ERSP), que podem melhorar as taxas de classificação. Assim, esperamos que a comunidade de pesquisa em ICC se beneficie desta ferramenta, permitindo a capacidade de explorar o problema de classificação EEG usando imagens diferentes ao invés de séries temporais para explicar assinaturas de sinais de ICCs e melhorar o estágio de classificação. Finalmente, expe rimentamos o de treinamento uma arquitetura de Deep Learning (VGG-16) usando as imagens geradas pelo software a partir do conhecido conjunto de dados BCI Competition IV.