Técnicas de aprendizado profundo no desenvolvimento de sistemas de interface cérebro-computador

• Processo: 20/10014-2
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de junho de 2021
• Data de Término da vigência: 31 de maio de 2023
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Denis Gustavo Fantinato
• Beneficiário: Denis Gustavo Fantinato
• Instituição Sede: Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
• Assunto(s): Inteligência artificial Aprendizado computacional Aprendizagem profunda Redes neurais convolucionais Interfaces cérebro-computador
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Redes Neurais convolucionais | Inteligência Artificial

Resumo

As interfaces cérebro-computador (BCI, do inglês Brain-Computer Interfaces) têm sido foco de grande atenção devido às suas potenciais aplicações em uma ampla gama de contextos, que vão desde tecnologias assistivas e reabilitação até dispositivos para entretenimento. Significativos avanços, como a coleta de dados a partir de métodos não invasivos por eletroencefalogramas (EEG), motivam o estudo e desenvolvimento dessa promissora interface. Entretanto, a ampla variabilidade observada nos padrões dos usuários do sistema BCI, bem como seu emprego em aplicações cada vez mais sofisticadas, tornam o uso desta interface um problema bastante desafiador. Neste sentido, o presente projeto de pesquisa busca utilizar métodos de aprendizado profundo para aprimorar os sistemas BCI, tornando-os mais eficientes e robustos. Serão seguidas duas frentes de pesquisa. A primeira delas está voltada para o processamento dos sinais de EEG através do uso de técnicas de Análise de Componentes Independentes e de mapeamentos para imagens, permitindo a eficiente extração de características. Na segunda frente, serão utilizadas redes de aprendizado profundo, bem como as redes generativas adversariais para a classificação. Tais estruturas apresentam grande potencial para o tratamento de dados com grande variabilidade, podendo ser bastante úteis no desenvolvimento de sistemas BCI. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

GRILO, MARCELO; MORAES, CAROLINE P. A.; COELHO, BRUNO F. OLIVEIRA; MASSARANDUBA, ANA BEATRIZ R.; FANTINATO, DENIS; RAMOS, RODRIGO P.; NEVES, ALINE. Artifact removal for emotion recognition using mutual information and Epanechnikov kernel. Biomedical Signal Processing and Control, v. 83, p. 8-pg., 2023-02-20. (20/10014-2, 18/17678-3, 20/09838-0)

DE PAULA, PATRICK OLIVEIRA; DA SILVA COSTA, THIAGO BULHOES; DE FAISSOL ATTUX, ROMIS RIBEIRO; FANTINATO, DENIS GUSTAVO. Classification of image encoded SSVEP-based EEG signals using Convolutional Neural Networks. EXPERT SYSTEMS WITH APPLICATIONS, v. 214, p. 11-pg., 2023-03-15. (19/17997-4, 20/10014-2)