Máquinas de comitê baseadas em aprendizado profundo para transferência de aprendizado em interfaces cérebro-máquina

Resumo

Redes Neurais profundas vem obtendo sucesso em aplicações de Interfaces Cérebro-Máquina (BCIs), onde elas são utilizadas para decodificar imagens mentais a partir de sinais de Eletroencefalografia (EEG). Porém, cada modelo treinado funciona para um único indivíduo e requer grande quantidade de dados, o que é demorado e cansativo para coletar. Este problema é reduzido com a Transferência de Aprendizado, onde as redes podem ser treinadas em um conjunto de indivíduos e adaptadas para um novo indivíduo usando um pequeno conjunto de dados. As principais abordagens existentes são o alinhamento dos sinais de EEG de cada indivíduo para que eles fiquem com características similares ou o ajuste de parte dos pesos das redes neurais para cada indivíduo. Neste projeto, avaliaremos o uso de máquinas de comitê para a transferência de aprendizado. Neste caso, treinaremos uma rede neural para cada indivíduo do grupo de treinamento e montaremos um comitê com os modelos individuais. Avaliaremos diferentes maneiras de fazer a combinação dos resultados, incluindo (I) a definição de pesos baseado na acurácia de cada modelo no indivíduo alvo e (II) o uso de um meta-modelo para a classificação. Também avaliaremos o impacto do uso de um alinhamento Euclideano dos sinais de EEG. Usaremos dados de experimentos de imagética motora e compararemos com resultados obtidos com outras técnicas de transferência de aprendizado.(AU)