Aprendizado por Transferência Através da Máxima Discrepância de Classificação para o Processamento de Sinais Eletroencefalográficos no Paradigma de Imagética Motora

• Processo: 25/06583-5
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de julho de 2025
• Data de Término da vigência: 30 de junho de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Denis Gustavo Fantinato
• Beneficiário: Gabriel da Costa
• 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 Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | aprendizado por transferência | Interface Cérebro-Computador | Máxima Discrepância de Classificação | Inteligência Artificial

Resumo

Dados eletroencefalográficos (EEG) são registros da atividade elétrica do cérebro e têm uma ampla gama de aplicações, desde diagnóstico médico, tecnologias assistivas e reabilitação até dispositivos de 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 padrões 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 visa a realização de um estudo aprofundado acerca dos métodos de Aprendizagem Profunda e Aprendizado por Transferência para o tratamento de sinais de EEG. Mais especificamente, o foco será dado na rede EEGNet, uma rede neural artificial de aprendizado profundo e sua combinação com o método de Máxima Discrepância de Classificação. Uma análise comparativa entre os principais métodos será realizada, considerando conjuntos de dados de EEG disponíveis.