Aprendizado profundo e interfaces cérebro-computador

Autor(es)

Willian Rampazzo

• Tipo de documento: Dissertação de Mestrado
• Imprenta: Campinas, SP.
• Instituição: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
• Data de defesa: 2019-08-13

Membros da banca

Romis Ribeiro de Faissol Attux; André Kazuo Takahata; Fernando José Von Zuben

• Orientador: Romis Ribeiro de Faissol Attux

Resumo

Uma Interface Cérebro-Computador (BCI, do inglês, Brain-Computer Interface) é um sistema artificial de comunicação direta entre o cérebro e um dispositivo externo. Ela opera de forma independente de nervos e músculos periféricos. Sua finalidade é traduzir a intenção do usuário, associada à medição da atividade originada no cérebro, em sinais de controle correspondentes aos da aplicação. Para tal, ela faz uso de técnicas de processamento de sinais e reconhecimento de padrões. Diferentes áreas podem se beneficiar das BCIs, como a área de entretenimento e a área de saúde. Especialmente na área de saúde, estes sistemas podem ter um grande impacto em pessoas com doenças que levam à síndrome do encarceramento, sendo, possivelmente, a única opção para comunicação em tais casos. As redes neurais profundas têm sido aplicadas a problemas de diferentes áreas, como visão computacional, processamento de linguagem natural, diagnósticos médicos, entre outras, obtendo resultados que, muitas vezes, ultrapassam o estado-da-arte. Uma característica interessante destas redes, em particular as redes convolucionais profundas (DCNNs, do inglês, Deep Convolutional Neural Networks), é a capacidade de extração de características de forma automática, dispensando, frequentemente, a engenharia de atributos manual, etapa quase obrigatória para um grande número de técnicas de aprendizado de máquina. Os resultados promissores obtidos por DCNNs em diferentes áreas indicam que há potencial para empregá-las na tarefa de processamento de sinais cerebrais em sistemas BCI. Este trabalho explora o uso destas redes em uma BCI baseada em potenciais visualmente evocados em estado estacionário (SSVEP, do inglês, Steady State Visually Evoked Potentials), investigando, inicialmente, se formatos diferentes de entrada, como o sinal bruto ou uma transformação do sinal, a exemplo, a transformada de Fourier de tempo curto, influenciam no desempenho das DCNNs. Para esta investigação, são propostas novas arquiteturas de DCNNs, avaliadas sobre diferentes tipos de entrada, e seus desempenhos são comparados aos de abordagens usualmente adotadas na etapa de classificação de BCIs. Este trabalho também investiga se é possível utilizar a técnica de transferência de conhecimento para ajustar DCNNs pré-treinadas aos dados de BCIs. Os resultados experimentais indicam que as DCNNs são uma opção a ser aplicada ao processamento de sinais cerebrais em BCIs (AU)

• Processo FAPESP: 18/04100-3 - Aprendizado profundo e interfaces cérebro-computador
• Beneficiário: Willian Rampazzo
• Modalidade de apoio: Bolsas no Brasil - Mestrado