Classificação de Sinais de EEG Usando Técnicas de Separação Cega de Fontes e Redes Profundas
Os sistemas de Interface Cérebro-Computador englobam um conjunto de tarefas relacionadas a coleta e processamento de sinais, como aquisição, pré-processamento e classificação. Existem diversos tipos de sinais considerando o método utilizado durante a coleta, neste trabalho focamos apenas em sinais coletados por eletroencefalografia (EEG) previamente adquiridos por entidades e disponibilizados em repositórios públicos. Os sinais de EEG utilizados caracterizam o paradigma de imagética motora, considerado um problema de alta complexidade devido a grande variabilidade dos dados. Por esse motivo, o objetivo deste trabalho foi aplicar técnicas de separação cega de fontes baseadas em estatísticas de segunda ordem aos sinais de EEG, analisando seu efeito no desempenho de classificadores profundos. Assume-se que os registros de EEG são resultado de um processo de mistura de fontes, que pode ser linear ou não linear, do tipo Post-Nonlinear. Então, o pré-processamento tem por objetivo a extração de componentes independentes nos dois contextos, onde os algoritmos clássicos AMUSE e SOBI são utilizados para uma análise comparativa com o algoritmo A-SOBIPNL. Nesse âmbito foi proposto um novo fluxo de processamento para a aplicação de separação de fontes em sinais de EEG, onde as componentes independentes recuperadas são classificadas usando-se as redes profundas EEGNet, ShallowConvNet e DeepConvNet, de modo que obtém-se um aumento considerável no desempenho das redes profundas que compõem o estado da arte.