Título: Aprendizado em Conjunto Aplicado à Classificação da Imagética Motora
Autores: João Lucas Santos Azevedo, Vitor da Silva Jorge & Cleison Daniel Silva
Resumo: As interfaces cérebro-máquina (ICMs) baseadas em imagética motora (IM) são cadeias de processamento capazes de traduzir a intenção motora do usuário em comando para um dispositivo externo ou virtual. Uma ICM-IM é ajustada com dados rotulados de sinais de Eletroencefalografia (EEG), procedimento capaz de quantificar a atividade elétrica cerebral de um indivíduo. Após o ajuste, a interface deve ser capaz de detectar e distinguir a intenção motora do usuário quando presente no sinal de EEG. As individualidades de cada sujeito e a baixa relação sinal-ruído do EEG são exemplos de desafios para o ajuste das ICMs. Essas interfaces podem ser divididas em dois grandes grupos: classificadores binários e classificadores multiclasse. Os primeiros são especializados em distinguir entre duas classes distintas, enquanto os últimos possuem maior abrangência, sendo capazes de diferenciar múltiplas classes. Diante disso, este trabalho propõe analisar se a combinação de classificadores binários é capaz de produzir um classificador multiclasse mais eficiente. A metodologia é aplicada para um problema de classificação multi-classe utilizando o conjunto de dados público 2a da IV Competição de ICM. Os resultados são apresentados em termos de acurácia de classificação a fim de verificar a relevância da metodologia proposta. Os resultados apontam uma acurácia de classificação média de 74, 9%, superando os resultados de dois artigos utilizados para comparação.
Palavras-chave: Brain-Computer Interfaces; Motor Imagery; Electroencephalography; Ensemble Learning; Optimization; Multi-class Classification.
Páginas: 6
Código DOI: 10.21528/CBIC2025-1191680
Artigo em PDF: CBIC_2025_paper1191680.pdf
Arquivo BibTeX:
CBIC_2025_1191680.bib