Combinação de Dinâmica Não-Linear com Redes Neurais para Estudos de Sinais Cerebrais

• Processo: 25/03426-6
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de abril de 2025
• Data de Término da vigência: 31 de março de 2027
• Área de conhecimento: Engenharias - Engenharia Biomédica
• Pesquisador responsável: Renato Machado
• Beneficiário: João Alfredo Santos de Meireles
• Instituição Sede: Divisão de Engenharia Eletrônica (IEE). Instituto Tecnológico de Aeronáutica (ITA). São José dos Campos , 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): Caos Eletroencefalografia Redes neurais Sinais
• Palavra(s)-Chave do Pesquisador: Caos | Eeg | Redes neurais | sinais | Neuroegenharia

Resumo

A eletroencefalografia (EEG) é uma ferramenta utilizada para investigar a atividade cerebral, e vem desempenhando um grande papel no desenvolvimento de aplicações como interfaces cérebro-computador (BCI), métodos de diagnóstico e tecnologias de assistência. No entanto, a análise de sinais de EEG apresenta desafios devido à sua alta dimensionalidade, variabilidade inter e intra-indivíduos e forte presença de ruído. Assim, métodos avançados são necessários para extrair informações relevantes e aprimorar a interpretação dos padrões cerebrais. Este projeto propõe a integração de técnicas de dinâmica não linear e redes neurais para a análise de EEG, explorando a conectividade funcional e a quantificação da recorrência como abordagens complementares para modelar a atividade neural.Inicialmente, serão estudados os princípios físicos da EEG e as principais pipelines de processamento de sinais, abordando técnicas de pré-processamento, filtragem e remoção de artefatos. Em seguida, serão aplicadas técnicas de recorrência para caracterizar padrões dinâmicos dos sinais cerebrais, extraindo métricas que representam sua estrutura temporal. A análise de recorrência permitirá identificar estados dinâmicos recorrentes e transições entre diferentes padrões de atividade, fornecendo uma representação mais descritiva dos sinais. A partir dessas métricas, a conectividade funcional será avaliada, investigando como diferentes regiões cerebrais interagem ao longo do tempo.Na etapa seguinte, redes neurais serão desenvolvidas para a classificação de estados motores com base nos dados de EEG, permitindo a comparação entre abordagens convencionais e aquelas baseadas em dinâmica não linear. A integração desses métodos visa aprimorar a extração de atributos e melhorar a capacidade de generalização dos modelos de aprendizado profundo. Além disso, serão exploradas arquiteturas que combinem informações dinâmicas extraídas pela recorrência com técnicas modernas de aprendizado, como redes neurais convolucionais (CNNs) e recorrentes (RNNs).A validação será conduzida utilizando dados coletados previamente e bases públicas amplamente utilizadas na comunidade científica, garantindo a reprodutibilidade dos resultados e facilitando comparações com abordagens existentes. A fase final do projeto incluirá a integração dos métodos propostos e análise dos resultados obtidos. Os achados serão consolidados na dissertação e divulgados por meio de publicações científicas e apresentações em congressos, contribuindo para o avanço da neuroengenharia e para o desenvolvimento de novos paradigmas na interpretação de sinais cerebrais.Este trabalho busca fornecer novas perspectivas para o uso de modelos dinâmicos na análise de EEG, ampliando as possibilidades de extração e interpretação de padrões neurais. A combinação entre recorrência e aprendizado profundo tem o potencial de oferecer soluções mais robustas para aplicações, neurociência computacional e diagnóstico de distúrbios neurológicos. (AU)