Classificação Contínua de Eletroencefalogramas utilizando um Modelo Conexionista baseado em Populações de Neurônios

Resumo

A classificação de eletroencefalogramas (EEG) consiste em detectar a partir do sinal do EEG informações sobre o estado do cérebro que permitam identificar, por exemplo, ações e intenções de um indivíduo. A classificação de EEGs é uma das formas de se trabalhar com interfaces cérebro-computador (BCI) e pode ter diversas aplicações, dentre as quais se destaca o uso em jogos eletrônicos, auxílio a pessoas deficientes ou com limitações físicas e para melhorar o controle de máquinas complexas, tal como uma aeronave. A classificação contínua de eletroencefalogramas é tida como um dos desafios atuais da pesquisa em BCI e possui diversas características que a tornam uma tarefa complexa. Os modelos neurais K de Freeman fazem parte de uma nova classe de modelos conexionistas que simulam o comportamento dinâmico de populações de neurônios. Os modelos K têm sido aplicados a diversos problemas de classificação com sucesso, incluindo a classificação de EEGs, em que o modelo se mostrou promissor. Os modelos K possuem diversas características que os tornam uma abordagem interessante para o problema, entre elas a tolerância a ruídos e convergência em poucos passos. Dessa forma, este plano de pesquisa contempla a investigação e aplicação de uma rede neural baseada nos modelos K de Freeman para a tarefa de classificação contínua de eletroencefalogramas. Pretende-se avaliar o desempenho da rede comparando o resultado das principais abordagens usadas na literatura com os métodos do estado da arte. Como resultado final, espera-se que este trabalho auxilie no desenvolvimento de futuros trabalhos na área, e que o modelo desenvolvido apresente resultados melhores que os do atual estado da arte.