Uso de Redes Generativas Adversariais Aplicadas a Classificação de Sinais de EEG baseado em Imagética Motora

• Lucas H. dos Santos UFABC
• Henrique V. Giuliani UFABC
• Patrick O. de Paula UFABC
• Denis G. Fantinato UFABC

DOI: https://doi.org/10.5753/ercas.2021.17439

Resumo

Em sistemas de Interface Cérebro-Computador (BCI, do inglês BrainComputer Interfaces) baseados em imagética motora, a classificação de sinais de eletroencefalografia (EEG) é uma tarefa bastante desafiadora, geralmente exigindo períodos exaustivos de calibração. Neste trabalho buscou-se reduzir a necessidade de muitas amostras coletadas para o treinamento do classificador através das redes adversárias generativas (GANs, do inglês Generative Adversarial Networks). Além disso, o classificador desenvolvido faz o processamento conjunto dos dados dos usuários, visando um sistema BCI mais genérico. Os resultados obtidos com a proposta foram bastante promissores.

Referências

Blankertz, B., Dornhege, G., Krauledat, M., Müller, K.-R., and Curio, G. (2007). The NonInvasive Berlin Brain–Computer Interface: Fast Acquisition of Effective Performance in Untrained Subjects. NeuroImage, 37(2):539–550.

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

Gulrajani, I., Ahmed, F., Arjovsky, M., Dumoulin, V., and Courville, A. (2017). Improved training of wasserstein gans. arXiv preprint arXiv:1704.00028.

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

Radford, A., Metz, L., and Chintala, S. (2015). Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. arXiv preprint arXiv:1511.06434.

Simonyan, K. and Zisserman, A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv preprint arXiv:1409.1556.

Wang, Z. and Oates, T. (2015). Imaging Time-Series to Improve Classication and Imputation. arXiv preprint arXiv:1506.00327.