Título: CCA+EEGNet para classificação de sinais de EEG em interfaces cérebro – computador baseadas em potenciais visualmente evocados
Autores: Mateus A. Chinelatto, Manoel R. Caetano Junior, Rafael Ferrari & Romis Attux
Resumo: Interfaces cérebro-computador (BCIs) são capazes de criar canais de comunicação alternativos entre o córtex cerebral e o mundo externo. Por meio delas, indivíduos em reabilitação ou que perderam suas capacidades motoras podem controlar sistemas sem a necessidade de movimento. Este estudo propõe a combinação da análise de correlação canônica (CCA) com a rede neural artificial EEGNet para realizar o processamento e classificação de sinais de eletroencefalograma (EEG) em BCIs baseadas em potenciais visualmente evocados em regime estacionário (SSVEP). A combinação proposta melhorou o desempenho da rede em cerca de 20%, atingindo 59.69±2.98% de acurácia e ITR de 89.75 ± 6.40% bpm.
Palavras-chave: Brain-computer interfaces; Artificial neural networks; Machine learning; EEG.
Páginas: 7
Código DOI: 10.21528/CBIC2025-1190137
Artigo em PDF: CBIC_2025_paper1190137.pdf
Arquivo BibTeX:
CBIC_2025_1190137.bib