Classificação de Biosinais de Eletrofisiologia Não Invasiva (sEMG e EEG) no Contexto de Interfaces Cérebro-Computador Híbridas (hBCI)
Com o objetivo de desenvolver interfaces que permitam maior independência a pessoas acometidas por limitações motoras, foi desenvolvido o conceito de Interface Cérebro-Máquina (BCI) que propõe o desenvolvimento de dispositivos de tecnologia assistiva utilizando a análise de sinais produzidos pelo cérebro. Motivado pelas limitações do BCI, foi desenvolvido o conceito de Interface Cérebro-Máquina híbrida (hBCI), onde através da fusão entre sinais cerebrais e biosinais obtidos de outras partes do corpo, é possível compor um sistema híbrido com potencial de maximizar resultados de classificação de comandos. Esta tese fundamenta-se na revisão de artigos relacionados aos avanços do hBCI nos últimos 12 anos, apresentando um cenário de pesquisa multifacetado onde pesquisadores desenvolvem algoritmos e apresentam soluções de difícil reprodução devido ao baixo índice de compartilhamento de bases de dados. Com o objetivo de contribuir para o desenvolvimento de um cenário de pesquisa mais prolífico no âmbito do hBCI, neste trabalho foram utilizadas duas bases de dados públicas: Multimodal Signal Dataset (MMSD), onde são registrados biosinais de EEG e sEMG em sincronia com a execução de movimentos previamente estabelecidos, e BCI Competition IV (dataset 2a), utilizada para validação. A principal contribuição científica desta tese é o desenvolvimento de um mesmo e único pipeline de processamento de biosinais, com potencial de classificar tanto sinais eletroencefalográficos (EEG) como sinais eletromiográficos (sEMG), captados (de forma não invasiva) respectivamente sobre a superfície do escalpo e da pele. O pipeline de processamento desenvolvido nesta tese faz uso de um sistema de extração de características de biosinais denominado FBRCSP (Filter Bank Regularized Common Spatial Pattern), que permite a seleção de características de biosinais de EEG e sEMG através da técnica NCA (Neighborhood Component Analysis), que por sua vez possibilita a classificação dos biosinais através da técnica de Support Vectors Machine (SVM), onde são usadas as métricas de classificação Accuracy e Kappa de Cohen para avaliação de desempenho. Os resultados obtidos para os sinais de EEG da base de dados BCI Competition IV (dataset 2a) superam os resultados de classificação alcançados através do uso de abordagens clássicas de aprendizado de máquina, divulgados em periódicos científicos nos últimos 12 anos. O mesmo pipeline de processamento foi aplicado aos sinais de sEMG da base de dados MMSD, permitindo classificar grupos de movimentos com uma acurácia média entre sujeitos de 84,5%, e com Kappa médio de 0,722.