Divulgação - DEFESA DE TESE DE DOUTORADO Nº 10
Aluno: José Antonio Alves de Menezes
Título: “Classificação Baseada em Representação Esparsa na Identificação de Imagética Motora em Aplicações de Interface Cérebro Máquina”
Orientador: Wellington Pinheiro dos Santos - (PPGEC)
Examinador Externo: Hugo Valadares Siqueira - (UTFPR)
Examinadora Externa: Giselle Machado Magalhães Moreno - (UFPE)
Examinadora Externa: Juliana Carneiro Gomes Cassemiro - (UFPE)
Examinador Interno: Bruno José Torres Fernandes - (PPGEC)
Data-hora: 07 de Novembro de 2023, às 14:00h.
Local:Formato Remoto – Google Meet
Resumo:
A natureza não estacionária do sinal EEG apresenta desafios para a classificação de imagética motora em sistemas de Interface Cérebro-Máquina. A Classificação baseada em Representação Esparsa (SRC) surge como uma alternativa para classificação de condições não treinadas e, portanto, útil em problemas de imagética motora. Métodos adaptativos de tempo-frequência, como Decomposição de Modo Empírico (EMD) e banco de filtros, apoiam a extração de atributos de sinais dessa natureza. Métodos: Neste trabalho propomos ajustar o SRC combinando-o com métodos adaptativos tempo-frequência. Aplicamos em problemas de classificação multiclasse e binário, comparando-os com métodos convencionais, como MLP. Também avaliamos uma abordagem híbrida para classificação de representações esparsas com MLP (RSMLP). Métodos de seleção de recursos foram usados para selecionar os mais significativos, especificamente Random Forest e Particle Swarm Optimization. Resultados: Em relação ao primeiro conjunto de dados, observamos que os classificadores que utilizam representação esparsa apresentam resultados equivalentes entre si, mas superam o modelo MLP convencional. SRC e SRMLP alcançam acurácias de até 91, 43% e 90, 44% respectivamente, enquanto o MLP alcança 86, 82%. Na média a abordagem híbrida representa um ganho de 11% em relação ao MLP. No segundo conjunto de dados, não observamos os mesmos resultados. Os modelos baseados em representação esparsa (SRC, SRMLP, etc.) apresentam em média um desempenho próximo de outros modelos convencionais, mas sem superá-los. Os melhores modelos esparsos alcançam uma precisão média de 95, 43% entre os sujeitos da base, enquanto outros modelos atingem 98, 33%. Conclusão: SRC com métodos adaptativos tempo-frequência se mostrou promissor na classificação de imagética motora. O aprimoramento de mecanismos auto-adaptativos que respondam eficientemente ao contexto do usuário é uma boa maneira de obter melhorias em aplicações de imagética motora. Outros cenários devem ser investigados, uma vez que resultados distintos foram observados nos conjuntos de dados experimentados. Ainda há espaço para melhorias, como a otimização do dicionário de representação esparsa no contexto da imagética motora. O investimento no aumento da base também é importante para reduzir os custos e tornar as soluções mais acessíveis aos usuários
O Programa
