Redes Adversárias Generativas para geração artificial de sinais de eletroencefalograma de imagética motora

• Ano de defesa: 2022
• Autor(a) principal: Souza, Alex Ceccon de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Brain-Computer Interface; Channel Selection; Electroencephalogram Signal; Generative Adversarial Networks; Imagética motora; Interface cérebro-computador; Motor Imagery; Redes Adversárias Generativas; Seleção de canais; Sinal de Eletroencefalograma
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/100/100131/tde-22012024-123044/

Uma interface cérebro-computador (BCI) tem o potencial de reduzir a incapacidade associada à distúrbios neuromusculares graves, como esclerose lateral amiotrófica, traduzindo a atividade neural em controle de dispositivos assistivos. Avanços recentes nas técnicas de processamento de sinal e aprendizado de máquina abriram o caminho para permitir a aplicação de BCI em campos como robótica, indústria inteligente e entretenimento. Um sistema de BCI pode utilizar vários tipos de sinais cerebrais, incluindo potenciais evocados, potenciais corticais lentos e alterações do ritmo sensório-motor. Entre esses, a imagética motora que consiste em imaginar uma ação especial, sem qualquer movimento do corpo, para gerar sinais de eletroencefalograma (EEG), tem recebido ampla atenção no campo de BCI. Em comparação com outros métodos invasivos, os sistemas de BCI baseados em sinais de EEG são não estacionários, têm relações sinal-ruído limitadas e sofrem de baixa resolução espacial. Esses efeitos são agravados ainda mais pela variação das impedâncias dos eletrodos, atividades musculares, movimentos oculares e mudanças nos estados mentais do usuário, tornando muito desafiador entender com precisão a dinâmica cerebral e classificar diferentes sinais de imagética motora. Outra questão fundamental de uma BCI baseada em EEG é a seleção de canal, cujo objetivo é encontrar um número pequeno de canais de EEG com as informações mais discriminantes para reduzir o custo computacional do sistema de BCI, acelerar o processamento de dados e reduzir os efeitos adversos de canais de EEG não correlacionados com a tarefa classificação, bem como alcançar ou exceder o desempenho de classificação ao se utilizar todos os canais de EEG. A seleção de canais pode ser realizada usando métodos de filtro, invólucros e embutidos. Entre estes três métodos de seleção de canais, os métodos de filtro são os mais eficientes computacionalmente, mas a precisão não é satisfatória. Os métodos de invólucro têm melhor precisão, mas exigem alto custo computacional e não possuem alta generalidade. Métodos embutidos requerem baixo custo computacional, pois a seleção funciona como parte do processo de aprendizagem e são robustos a sobre ajuste. Por outro lado, Redes Adversárias Generativas (GANs) têm sido desenvolvidas e aplicadas principalmente na geração de imagens artificiais e alguns estudos têm investigado sua aplicação em séries temporais e para reconstrução de sinais de EEG em alta resolução. Com base nestes trabalhos, esta dissertação visa utilizar GANs para geração artificial de canais de EEG com base em canais reais. Desta forma, não será necessário a captura destes canais artificiais, reduzindo o custo dos dispositivos de captura. Resultados experimentais demonstram que a abordagem proposta pode reduzir em 50% o número de canais capturados sem causar uma degradação significativa no desempenho da tarefa de classificação.