Estudo de Redes Neurais Recorrentes Aplicadas a Sistemas de Interface Cérebro-Computador
Os Sistemas de Interface Cérebro-Computador (BCI, do inglês Brain-Computer Interface) visam estabelecer uma conexão de sinais cerebrais com dispositivos do mundo externo e abrem oportunidades de serem auxiliadores em aplicações médicas ou até mesmo no campo do entretenimento. Os sinais cerebrais obtidos por eletroencefalogramas de superfície (EEG) precisam ser classificados, o que é um desafio fundamental nos sistemas de BCI. Os sinais de EEG podem ser vistos como um conjunto de séries temporais, que podem ser processados de forma eficiente por Redes Neurais Artificiais, em especial as chamadas Redes Neurais Recorrentes (RNN, do inglês Recurrent Neural Networks). Nesse âmbito, a presente pesquisa busca utilizar as RNNs, em particular a rede LSTM (do inglês Long Short-Term Memory), para o processamento dos sinais de EEG em duas frentes. A primeira delas considera a modelagem dos sinais de EEG através de RNNs preditoras, cujos pesos ajustados devem representar, em dimensão reduzida, as características relevantes para a tarefa de classificação. Por meio de comparação com a abordagem anterior, a segunda frente busca classificar os sinais cerebrais por meio de arquiteturas já propostas na literatura, como a EEGNet, porém modificando-a e acrescentando uma ou mais camadas com recorrência, com a finalidade de auxiliar a passagem de informação entre as camadas de convolução que a EEGNet possui. Através dessas duas abordagens, espera-se obter um sistema BCI mais eficiente e que melhor processe os sinais de EEG.