Aprendizado de Máquina Baseado em Comitê de Máquinas Aplicado a Interfaces Cérebro-Computador
Em aprendizado de máquina, o uso das Redes Neurais Artificiais (RNAs) vem se destacando pelos expressivos resultados alcançados em problemas antes não passı́veis de serem resolvidos apenas com programação clássica e que, de certa forma, exigiam alguma interação com especialistas. O enorme potencial das RNAs é principalmente atribuı́do à sua plasticidade e à não linearidade que possui, permitindo sua adaptação a diversos contextos e aos diferentes nı́veis de complexidade.
A ampla gama de problemas tratáveis pelo aprendizado de máquina contribuiu para a emergência de diversas estruturas de RNAs capazes de exibir caracterı́sticas distintas, sendo, muitas vezes, direcionadas a conjuntos/padrões de entrada dotados de certas particularidades. No entanto, para tratar problemas cada vez mais complexos, surgiu a necessidade de combinar o poder de ação de mais de um tipo de RNA, o que foi alcançado através dos Comitês de Máquinas. Nesse caso, cada máquina atua como um especialista cuja saı́da é combinada à dos demais para se chegar a um consenso, o que permite aumentar o poder de atuação das redes. Tal abordagem abre um horizonte de possı́veis novas aplicações a serem exploradas. Este é o caso, por exemplo, das interfaces cérebro-computador (BCI, do inglês Brain-Computer Interfaces), em que deseja-se tomar ações a partir de comandos acionados por padrões de pensamento. A variabilidade de padrões de pensamento, bem como a variabilidade observada entre usuários, tornam a concepção de um sistema multiusuário bastante desafiadora. O presente trabalho insere-se justamente nesse âmbito, com o objetivo de utilizar um comitê de máquinas (composto por redes neurais de diferentes estruturas) a fim de se obter um sistema BCI multi-usuário robusto. Vislumbra-se ainda, alcançar novo entendimento sobre a relação dos padrões de pensamento em diferentes usuários.