Aprendizado de Máquina Baseado em Comitê de Máquinas Aplicado a Interfaces Cérebro-Computador
As interfaces cérebro-computador (BCI, do inglês Brain-Computer Interface) são sistemas que englobam técnicas de diversas áreas de conhecimento para possibilitar a tradução do sinal cerebral para um comando de uma aplicação. Dentre tais técnicas destaca-se os algoritmos de aprendizado de máquina, que são responsáveis por extrair padrões e informações relevantes dos dados para a correta classificação de uma instrução do sistema. Entretanto, uma vez que o desempenho desses algoritmos também depende da complexidade dos dados, utilizar os dados de diferentes usuários em um sistema BCI ainda é uma tarefa desafiadora, dado que podem apresentar alta variabilidade a níveis intra e interusuário. Neste cenário, a aplicação de comitês de máquinas pode trazer resultados promissores considerando que cada classificador do comitê atue como especialista em um subconjunto dos dados. Sendo assim, neste trabalho abordamos o uso de diferentes propostas de comitês de máquina amplamente difundidas na literatura para classificar dados de diferentes indivíduos. Como principal contribuição para o tema analisado, é proposta uma nova abordagem de comitês: a Mistura de Especialistas baseada em kernel gaussiano (ou MEKG). Os resultados dos experimentos apontam que o desempenho do MEKG foi superior quando comparado aos demais comitês com um número significantemente menor de especialistas, alcançando uma acurácia média de 95,33% com indivíduos avaliados separadamente e 85,14% no caso cross-subject.