Classificação de sinais de EEG para potenciais visuais evocados utilizando Deep Learning

• Ano de defesa: 2020
• Autor(a) principal: Blanco Rodríguez, Jorge Esteban [UNESP]
• Orientador(a): Carvalho, Aparecido Augusto de [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: CCN; EEG
• Palavras-chave em Inglês: Deep learning; Tensorflow; Keras; Machine learning
• Link de acesso: http://hdl.handle.net/11449/192011

Nos últimos anos, com os avanços tecnológicos nas placas gráficas (Graphics Processing Units - GPU’s) e o enorme número de pesquisas nas áreas de Neurociência e Biossinais, as técnicas de Machine Learning (ML) e Deep Learning (DL) tem sido largamente utilizadas nestas áreas. O crescimento da inteligência artificial, a disponibilidade de inmensos repositórios de bancos de dados e a invenção de novos algoritmos de Deep Learning, assim como ferramentas (frameworks), tornaram viável a implementação e a solução de desafios na engenharia, gerando novas tecnologias que possibilitam a conexão de diferentes partes do corpo humano por meio de biossinais, como um canal secundário, sem utilizar as vias neuromusculares. Um exemplo são as conhecidas interfaces cérebro máquina Brain Computer Interface - BCI. Neste trabalho foram implementados dois modelos de DL utilizando TensorFlow e Keras para classificação de sinais de EEG para potenciais visuais evocados. Foram utilizadas duas abordagens com o banco de dados: na primeira utilizou-se o conjunto de dados completo, abrangendo diversos sujeitos e diversas frequências, com o objetivo de ter uma alta inferência dos dados, em um modelo geral. Utilizando o modelo CNN (Convolutional Neural Network ), os sinais de EEG foram classificados com acurácia de 90, 76% e com o modelo Multihead a acurácia foi de 84, 61%. Na segunda abordagem, utilizou-se o conjunto de dados por sujeito e estudou-se o desempenho dos mesmos modelos para cada um dos sujeitos do dataset. Alcançou-se um valor de acurácia mı́nimo de 92, 30% no modelo CNN e de 94, 87% no modelo MultiHead. Os novos modelos apresentam excelentes resultados na classificação de biossinais e podem auxiliar no accionamento de uma BCI.