Trajetórias Riemannianas em Interfaces Cérebro-Computador: Uma Abordagem Utilizando Janelamento Temporal para Classificação de Sinais de EEG
A Interface Cérebro-Computador (BCI, do inglês Brain Computer Interface) usa algoritmos
computacionais para, através de aprendizado de máquina, detectar padrões de atividade
mental, com a finalidade de promover a interação com dispositivos externos. Estes padrões
são obtidos através de sinais cerebrais obtidos por eletroencefalogramas de superfı́cie (EEG)
e necessitam de algoritmos de classificação para realizar as principais finalidades dentro de
um sistema BCI. Apesar dos avanços nos últimos anos, a sua aplicação ainda tem muitos
desafios pela frente. Dentro deste cenário, a geometria riemanniana vem sendo amplamente
aplicada em BCI, providenciando uma metodologia efetiva para extração de caracterı́sticas
na classificação. A geometria Riemanniana tem suas operações aplicadas no espaço de
matrizes simétricas positivas-definidas (SPD, do inglês Symmetric Positive-Definite), cuja
inspiração são sistemas neurais biológicos, providenciando uma estrutura unificada para
lidar com diferentes paradigmas de BCI. Para classificação, os algoritmos de Redes Neurais
Artificiais (ANNs, do inglês Artificial Neural Networks), são amplamente utilizados nos
sistemas BCI, cujas utilizações em combinações com geometria riemanniana vem trazendo
resultados promissores nos últimos anos. Partindo disto, este projeto visa estudar as
caracterı́sticas obtidas na aplicação de geometria riemanniana em BCI, aplicando técnicas
de incorporação espectral (SE, do inglês Spectral Embedding) e de transformação do espaço
tangente a fim de se obter novas caracterı́sticas relevantes para melhoria do processo de
classificação em sistemas BCI.