Análise de Sinais de EEG Através de Técnicas de Aprendizado Profundo e por Transferência Utilizando Geometria Riemanniana

• Processo: 23/13300-4
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de maio de 2024
• Data de Término da vigência: 30 de abril de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Denis Gustavo Fantinato
• Beneficiário: João Guilherme Prado Barbon
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , 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 Interfaces cérebro-computador Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | aprendizado por transferência | autoencoders | Brain-Computer Interfaces | Generative Adversarial Networks | Inteligência Artificial

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 está voltada para o aprimoramento de modelos classificadores dos sistemas de BCI baseados em EEG, propondo arquiteturas mais profundas para os modelos SPDNet e EE(G)-SPDNet. Na segunda frente, serão aplicadas redes profundas com geometria Riemanniana (DRNs, do inglês, Deep Riemannian Networks) em técnicas de aprendizado por transferência, utilizando arquiteturas de redes adversárias generativas (GANs, do inglês, Generative Adversarial Networks) e Autoencoders.