Classificação de Sinais de EEG Usando Técnicas de Separação Cega de Fontes e Redes Profundas
O objetivo deste trabalho é estudar técnicas de separação cega de fontes baseadas em estatísticas de segunda ordem aplicadas a sinais de eletroencefalografia (EEG), analisando seu efeito no desempenho de classificadores profundos. Os sinais de EEG considerados abordam o paradigma de imagética motora, e o pré-processamento é feito usando-se técnicas de separação cega de fontes no contexto de misturas do tipo Post-Nonlinear. Como o objetivo é focar em métodos baseados em estatísticas de segunda ordem para extração de componentes independentes, os algoritmos clássicos AMUSE e SOBI serão também utilizados para uma análise comparativa. As componentes independentes recuperadas são, então, classificadas usando-se a rede profunda EEGNet. O desempenho das técnicas de pré-processamento por separação cega de fontes serão avaliados em conjunto com as redes profundas que atualmente compõem o estado da arte neste âmbito.