CNN como ferramenta para classificar dados de EEG resultantes do consumo de suco adoçado com adoçantes calóricos ou não calóricos

• Processo: 22/08813-0
• Modalidade de apoio: Auxílio à Pesquisa - Publicações científicas - Artigo
• Data de Início da vigência: 01 de outubro de 2022
• Data de Término da vigência: 31 de março de 2023
• Área do conhecimento: Engenharias - Engenharia Biomédica - Bioengenharia
• Pesquisador responsável: Ana Carolina de Sousa Silva
• Beneficiário: Ana Carolina de Sousa Silva
• Instituição Sede: Faculdade de Zootecnia e Engenharia de Alimentos (FZEA). Universidade de São Paulo (USP). Pirassununga , SP, Brasil
• Assunto(s): Aspartame Sucralose Processamento de sinais
• Palavra(s)-Chave do Pesquisador: aspartame | CNN (Convolutional neural network) | Digital Signal Processing | electroencephalography (EEG) | Sucralose | sucrose | processamento de sinais

Resumo

O tipo de adoçante pode influenciar as propriedades sensoriais e a aceitação e preferência do consumidor por produtos de baixa caloria. Não existe um adoçante ideal, e cada adoçante deve ser utilizado nas situações em que for mais adequado. O aspartame e a sucralose podem ser bons substitutos da sacarose no suco de maracujá. Apesar do interesse em adoçantes artificiais, pouco se sabe sobre como os adoçantes artificiais são processadosno cérebro humano. Aqui, aplicamos a CNN para avaliar os sinais cerebrais de 11 indivíduos saudáveis quando provaram suco de maracujá equivalentemente adoçado com sacarose (9,4 g/100 g), sucralose (0,01593 g/100 g) ou aspartame (0,05477 g/100 g). Eletroencefalogramas foram registrados para dois locais no córtex gustativo (ou seja, C3 e C4). Os dados com artefatos foram desconsiderados, e os dados sem artefatos foram usados para alimentar uma Deep Neural Network com ramificações de árvore que aplicaram Convolutions e pooling para diferentes filtragem e seleção de recursos. A CNN recebeu sinal bruto como entrada para classificação multiclasse e com treinamento supervisionado foi capaz de extrair características e padrões subjacentes do sinal com melhor desempenho do que filtros artesanais como FFT. Nossos resultados indicaram que a CNN é uma ferramenta útil para análises de EEG e classificação de gostos perceptualmente semelhantes. (AU)