Aprendizado Profundo e Geometria Riemanniana para Classificação de Imagética Motora Usando Múltiplos Conjuntos de Dados

• Processo: 23/00049-1
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de maio de 2023
• Data de Término da vigência: 30 de abril de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Denis Gustavo Fantinato
• Beneficiário: Lucas Heck dos Santos
• Instituição Sede: Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Santo André , SP, Brasil
• Empresa: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação (FEEC)
• Vinculado ao auxílio: 20/09838-0 - BI0S - Brazilian Institute of Data Science, AP.PCPE
• Assunto(s): Aprendizado computacional Aprendizagem profunda Geometria Riemanniana Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado profundo | geometria riemanniana | Interface Cérebro-Computador | Transferencia de Aprendizado | Inteligência Artificial

Resumo

Sistemas de Interface Cérebro-Computador têm ganho relevância devido à suas aplicações nos campos medicinais e de entretenimento. Frequentemente, em tais tarefas, é feita a classificação dos sinais capturados da atividade cerebral para permitir o controle de aplicações sem as interações por vias usuais. Entretanto, sinais cerebrais capturados por eletroencefalografia (EEG), por exemplo, são de alta complexidade e sujeitos a ruído e artefatos, que podem ser agravados pelo sistema de captura. Os métodos tradicionais de classificação e processamento dos dados, que requerem ajustes manuais e conhecimento de domínio, encontram obstáculos devido à grande variabilidade dos sinais de EEG. Recentemente, para interpretar tais sinais, muitos autores buscam soluções de ponta a ponta que empregam Redes Neurais Profundas. Nesse contexto, a EEGNet, construída com Redes Neurais Convolucionais, atingiu resultados excepcionais, tanto no paradigma de atenção seletiva quanto de imagética motora, superando a acurácia obtida com métodos tradicionais. Em paralelo, alguns trabalhos utilizam Geometria Riemanniana como alternativa, alcançando elevadas taxas de acurácia com treinamento que não requer otimização via gradiente, vital às Redes Profundas. Todavia, ambas as abordagens têm limitações, tendo grave dificuldade nos contextos com múltiplos indivíduos e conjuntos de dados. A presente proposta de pesquisa visa construir uma arquitetura híbrida que consiga tirar vantagem de ambas as estratégias. Ela será aplicada em diversos conjuntos de imagética motora, combinando as características de cada estratégia, com intuito de atingir o desempenho de estado da arte.