Estudo Preliminar do Uso de Meta-heurísticas para Seleção de Canais em Sistemas BCI-SSVEP

• Raquel Queiroz UFABC
• Denis G. Fantinato UFABC

DOI: https://doi.org/10.5753/ercas.2021.17440

Resumo

A classificação dos sinais eletroencefalográficos (EEG) é um problema fundamental nos sistemas de Interface Cérebro-Computador (BCI). Os sinais de EEG podem ser vistos como um conjunto de séries temporais, sendo interessante o uso das Redes Neurais Recorrentes (RNNs) para seu processamento, em particular a rede LSTM (Long Short-Term Memory). Neste artigo é proposto uma estrutura de classificação baseada em LSTM utilizando o Algoritmo Genético (GA) e o Algoritmo de Seleção Clonal (CSA) para realizar a seleção do número de canais em um conjunto de dados de EEG artificiais.

Referências

Bablani, A., Edla, D., Tripathi, D., and Cheruku, R. (2019). Survey on brain-computer interface: An emerging computational intelligence paradigm. ACM Computing Surveys, 52(1):1–32.

Bouktif, S., Fiaz, A., Ouni, A., and Serhani, M. A. (2020). Multi-sequence lstm-rnn deep learning and metaheuristics for electric load forecasting. Energies, 13(2):391.

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.

Pang, W., Wang, K., Wang, Y., Ou, G., Li, H., and Huang, L. (2015). Clonal selection algorithm for solving permutation optimisation problems: a case study of travelling salesman problem. In International Conference on Logistics Engineering, Management and Computer Science (LEMCS 2015), pages 575–580. Atlantis Press.