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. 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 discretizar. 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. Uma análise detalhada do mRMR discreto também foi incluída neste trabalho, além da comparação dos métodos citados com o clássico Backward Wrapper.