Uso de Redes Adversárias Generativas em Sistemas de Interface Cérebro-Computador
Sistemas de Interface Cérebro-Computador (BCI, do inglês Brain-Computer Interface) têm sido foco de atenção devido a suas possíveis aplicações no campo medicinal e de entretenimento. Para estas tarefas, usualmente, é feita a classificação dos sinais ligados à atividade cerebral. Porém esses sinais possuem alta complexidade e estão sujeitos a ruídos, agravados pelo equipamento de medida. Redes de aprendizagem profunda vêm sendo utilizadas recentemente como forma de interpretar os sinais sem necessidade de ajuste manual de parâmetros. Nesse contexto, as Redes Neurais Convolucionais apresentam resultados muito interessantes, tanto em paradigmas de BCI de atenção seletiva quanto de imagética motora, ao superarem em acurácia os métodos tradicionais. No entanto, essas novas soluções têm dificuldades de convergência devido a escassez de dados disponíveis para treinamento. Neste trabalho fazemos o uso da Rede Adversária Generativa (GAN, do inglês Generative Adversarial Network) para produção de sinais artificiais com o objetivo de melhorar o treinamento da rede convolucional. Comparamos a GAN com aumento de dados via adição de ruído gaussiano, técnica de maior simplicidade. Buscamos ainda fazer o mapeamento dos sinais cerebrais em imagens, pois essas redes têm um potencial maior com dados multidimensionais. Os resultados dos experimentos demonstram que há melhora na acurácia com a introdução da GAN, porém com um ganho de cerca de 2% nos melhores casos com série temporal e codificada como imagem. Por outro lado, com aumento de dados via ruído obteve-se ganhos de até 5% no caso temporal e 2% com imagem.