Estudo de técnicas de redução de dimensionalidade aplicadas a EEG para reconhecimento de emoções
A classificação de emoções através do uso de sinais de EEG é um assunto que tem atraído a atenção de pesquisadores de diversas áreas, inclusive relacionado ao desenvolvimento de interfaces cérebro-máquina. Neste trabalho, focamos na etapa de redução de dimensionalidade, necessária antes da etapa de classificação. Até o momento, foram testados o clássico método baseado em Análise por Componentes Principais (PCA) e também o método Máxima Relevância Mínima Redundância (MRMR). Propomos uma alteração no método de Máxima Relevância Mínima Redundância (MRMR) de forma a trabalhar com o sinal de EEG sem a necessidade de uma etapa de discretização. Mostramos como o método proposto melhora significativamente o desempenho dos classificadores quando comparado ao clássico PCA ou mesmo ao uso de todas as informações disponíveis. Dentro do contexto deste trabalho, pretendemos também implementar o Correlation-based Feature Selection (CFS) e comparar o desempenho de todos os métodos implementados.