Conectividade Funcional Dinâmica em Sinais de Eletroencefalografia Aplicada ao Desenvolvimento de Interfaces
Cérebro-Computador baseadas em Imagética Motora
A teoria de grafos vem sendo muito bem sucedida na tentativa de representar de forma eficiente a relação entre objetos ou elementos de diferentes naturezas e propostas envolvendo sua utilização na caracterização do funcionamento cerebral tem se mostrado uma opção interessante no contexto do desenvolvimento de interfaces cérebro-computador (BCIs), por permitir que seja possível a caracterização do cérebro a partir de sinais eletroencefalográficos (EEG) durante diferentes tarefas mentais, como por exemplo a imagética motora (MI). A quantificação e avaliação da conectividade funcional tem sido aplicada no estudo da organização cerebral durante tarefas motoras com o intuito de buscar um melhor entendimento do processo de imagética que permita o desenvolvimento de BCIs mais robustas. No entanto, até agora, a dinâmica do processo de imagética e a interação entre diferentes áreas cerebrais ao longo do tempo tem sido raramente levadas em consideração e estudos recentes sugerem que essa dinâmica possa fornecer informações relevantes para a discriminação entre
movimento e repouso, bem como na distinção entre diferentes tarefas de MI. Com isso em mente, o objetivo deste trabalho é avaliar a aplicabilidade da conectividade funcional dinâmica nesses dois cenários, repouso vs. MI e imagética da mão direita vs. mão esquerda, buscando a extração de informações relevantes para a distinção dos diferentes estados mentais. Para isso, três medidas de similaridade e quatro métricas de grafo foram estimadas tanto de forma estática como dinâmica para fins de comparar e melhor caracterizar a
conectividade dinâmica. Além disso, os eletrodos mais relevantes para diferenciação dos estados foram analisados. No caso da análise de repouso vs. MI, a conectividade dinâmica permitiu a distinção dos estados ao longo do tempo. Para o estudo da diferenciação das tarefas de imagética, foi utilizada uma estratégia baseada em classificadores lineares e uma análise complementar baseada em deep learning (DL) devido a limitações observadas no caso linear. Os resultados obtidos apontam para a possível utilização da conectividade
funcional dinâmica na classificação de tarefas mentais em BCIs baseadas em MI, porém não se mostrou vantajoso no contexto de estratégias de DL em comparação ao que é feito comumente na literatura.