Aprendizagem automática aplicada a interfaces cérebro-computador

Abstract

O grupo IEETA-BCI desenvolve, há vários anos, experiências com interfaces do tipo BCI, e os resultados são promissores. Algumas técnicas para aquisição de sinal, extracção de características e classificação foram já desenvolvidas. Como diversos estudos comprovam, as propriedades que melhor permitem identificar certos padrões em sinais EEG têm sido reportadas a determinadas regiões corticais e a certas bandas de frequência. Tirando partido desse conhecimento a priori, é possível tratar os dados, reduzindo a entropia na entrada. No entanto, tais soluções são, por norma, independentes do utilizador: os eléctrodos seguem uma localização padrão e os filtros dimensionados têm margens bem definidas. Nesse sentido, o grande objectivo da presente investigação é o de procurar uma forma mais abrangente de seleccionar, em cada indivíduo, um sub-conjunto personalizado de propriedades (presentes nos dados) que maximizem a discriminação de estados mentais, em particular aqueles que dizem respeito a padrões ERD/ERS, nomeadamente nos ritmos mu. Enquanto trabalho direccionado à classificação, faz-se um estudo da natureza e qualidade dos dados a discriminar, e apresenta-se o método que determina a relevância de certas características, no problema de classificação. Ainda que sem perda de generalidade, tais módulos de extracção de características e classificação serão pensados numa filosofia de aplicação em operações assíncronas, como a navegação em ambientes gráficos/virtuais. Por ser a que permite um maior grau de iniciativa ao utilizador, é na operação assíncrona que se concentra, hoje, o desenvolvimento de BCIs e daí poderão advir, potencialmente, as aplicações mais interessantes.

In the course of the last years, IEETA-BCI has come to experiment with brain-computer interfaces, showing promising results. Techniques have been developed for signal acquisition, feature extraction and pattern classification. Certain patterns of interest in EEG signals can be roughly mapped to particular cortical areas and specific frequency bands. Such knowledge can be used to reduce the entropy of the incoming data. Generally, these methods do not take into account the specificities of the subject, electrodes being placed on standard locations, the filters created with well defined bands. In this thesis it is proposed a new set of methodologies in order to automatically discover and discriminate a group of relevant features from the original signal, thereby improving the performance on the correct classification of mental states, in a per-individual basis. Concerning pattern classification, a comparative study has been made between several methods. We focus on both the source of the input data and its respective quality and relevance as well as on the classification method itself. The implemented modules, for feature extraction and classification, were planned and developed following an asynchronous operation paradigm with view of their posterior usage on virtual environments. By providing greater user initiative, it is in asynchronous operations that BCI research is currently focused, being expected to spawn the most interesting applications.