Aumento de Dados no Treinamento de Redes Neurais Profundas para Classificação de Sinais de EEG
Este trabalho tem como foco a avaliação da aplicação de técnicas de aumento de dados para o treinamento de redes neurais artificiais para a classificação de sinais de eletroencefalografia (EEG). O principal objetivo é a avaliação da hipótese de que técnicas de aumento de dados podem realçar características relevantes nos dados de EEG, quando aplicados em redes com estruturas convolucionais como EEGNet, ShallowNet e DeepConvNet. A utilização de técnicas de aumento de dados para ampliar a capacidade das redes em extrair as principais características que definem cada classe possibilitam uma aplicação da utilização de sistemas de interface cérebro-computador, de tal forma que as redes utilizadas conseguem usufruir dos dados disponíveis para treinamento de forma mais eficiente. Além disso, este trabalho faz a proposta de adaptação de um método de aumento de dados em processamento de imagens para o contexto de dados de EEG. Por fim, é realizado uma análise dos resultados obtidos considerando diversas técnicas de aumento de dados combinados a diferentes redes neurais artificiais.