Multi-Classificação de Sinais de Eletroencefalograma, para Imaginação Motora, usando Processamentos Estatísticos de Sinais e Deep Learning

Objetivos: A classificação dos sinais de eletroencefalograma (EEG) é a base para a construção de sistemas com interface cérebro-computador. Seu desenvolvimento depara-se com a complexidade dos sinais de EEG, que se diferem de sujeito para sujeito, tornando sua classificação complexa. Diante disso, esse trabalho visa comparar o desempenho de uma rede neural artificial utilizando diferentes técnicas de processamento de sinal, na classificação de um estado de repouso e dois estados de imaginação de movimento (IM). Métodos: Para esse trabalho, utilizou-se de três técnicas estatísticas de processamento de sinais e uma Rede Neural Convolucional. O banco de dados utilizado para a classificação consiste no registro de EEG de 109 voluntários, disponibilizado pela Physionet. Resultado e Conclusão: Observou-se que a Análise de Componentes Principais reduziu o custo computacional sem perda de desempenho na acurácia. Entretanto, a Análise de Componentes Independentes e a Análise Espectral Singular não obtiveram resultados promissores.