Gráficos de Recorrência para Classificação de Sinais de EEG Usando Aprendizado Profundo

• Patrick O. de Paula UFABC
• Henrique L. V. Giuliani UFABC
• Denis G. Fantinato UFABC

DOI: https://doi.org/10.5753/ercas.2021.17437

Resumo

O desenvolvimento de Interfaces Cérebro-Computador (BCI) exige a capacidade de processamento e classificação de sinais neuronais, gerados por certos estímulos sensoriais, de uma grande variedade de usuários. Com este objetivo, o presente trabalho busca a aplicação de Redes Neurais Convolucionais, reconhecidas pelo seu alto desempenho em problemas de classificação, para o processamento de sinais de eletroencefalografia (EEG). Os sinais de EEG foram primeiramente pré-processados pela técnica de Análise de Correlações Canônicas e convertidos em imagens através de Gráficos de Recorrência. Os resultados corroboram o uso desta abordagem em sistemas de BCI, atingindo uma taxa de acerto de 96% para sinais de 128 pontos (0,5 s).

Referências

Eckmann, J., Kamphorst, S. O., Ruelle, D., et al. (1995). Recurrence plots of dynamical systems. World Scientic Series on Nonlinear Science Series A, 16:441–446.

Faouzi, J. and Janati, H. (2020). pyts: A python package for time series classication. Journal of Machine Learning Research, 21(46):1–6.

Goodfellow, I., Bengio, Y., Courville, A., and Bengio, Y. (2016). Deep learning, volume 1. MIT press Cambridge.

Nam, C. S., Nijholt, A., and Lotte, F. (2018). Brain–Computer Interfaces Handbook: Technological and Theoretical Advances. CRC Press.

Xing, J., Qiu, S., Ma, X., Wu, C., Li, J., Wang, S., and He, H. (2020). A CNN-Based Comparing Network for the Detection of Steady-State Visual Evoked Potential Responses. Neurocomputing.