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

• Processo: 22/08920-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de setembro de 2022
• Data de Término da vigência: 31 de julho de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Raphael Yokoingawa de Camargo
• Beneficiário: Bruna Junqueira de Almeida Ferreira Lopes
• Instituição Sede: Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
• Bolsa(s) vinculada(s): 23/06407-7 - Combinando alinhamento euclidiano e riemanniano para transferência de aprendizagem em interfaces cérebro-máquina, BE.EP.IC
• Assunto(s): Redes neurais (computação) Aprendizado computacional Aprendizagem profunda Interfaces cérebro-computador Metodologia e técnicas de computação Eletroencefalografia
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado profundo | Eletroencefalografia | Interface Cérebro-Máquina | Máquinas de Comitê | Transferencia de Aprendizado | Aprendizado de 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)