Técnicas de aprendizado profundo e de processamento de sinais para o tratamento de dados de EEG

• Processo: 23/00640-1
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de junho de 2023
• Data de Término da vigência: 31 de maio de 2025
• Área do conhecimento: Engenharias - Engenharia Elétrica
• Pesquisador responsável: Denis Gustavo Fantinato
• Beneficiário: Denis Gustavo Fantinato
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Pesquisadores associados: Leonardo Tomazeli Duarte ; Levy Boccato ; Rafael Ferrari ; Romis Ribeiro de Faissol Attux ; Sarah Negreiros de Carvalho Leite
• Assunto(s): Processamento de sinais Aprendizagem profunda Interfaces cérebro-computador Eletroencefalografia Geometria Riemanniana
• Palavra(s)-Chave do Pesquisador: Análise de Componentes Independentes | Aprendizado profundo | geometria riemanniana | interfaces cérebro-computador | Processamento de Sinais

Resumo

Dados eletroencefalográficos (EEG) são registros da atividade elétrica cerebral, com potencial de aplicação em uma ampla gama de contextos, que vão desde diagnóstico médico, tecnologias assistivas e reabilitação até dispositivos para entretenimento. Nesse âmbito, com a consolidação de técnicas de processamento de sinais e de aprendizado de máquina, destaca-se o sistema de transmissão de informação direta entre o cérebro e o computador, que recebe o nome de Interface Cérebro-Computador (BCI, do inglês Brain-Computer Interface). Entretanto, a ampla variabilidade observada nos dados 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 e de processamento de sinais para aprimorar os sistemas BCI baseados em EEG, 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 geometria Riemanniana, permitindo a eficiente extração de características. Na segunda frente, serão utilizadas redes de aprendizado profundo focadas no processamento de sinais de EEG. Tais estruturas apresentam grande potencial para o tratamento de dados com grande variabilidade, podendo ser bastante úteis no desenvolvimento de sistemas BCI. (AU)