Título: Classificação de sinais EEG para controle de cadeira de rodas
Autores: Giovanna Gouvea Spuri de Miranda, Nélio Lemos Freire Junior & Wilian Soares Lacerda
Resumo: Este trabalho apresenta uma análise comparativa entre três técnicas de aprendizado de máquina—Multilayer Perceptron (MLP), Random Forest (RF) e Support Vector Machine (SVM)—para classificar sinais de eletroencefalograma (EEG). Utilizando dados públicos do projeto Milo da McGill NeuroTech, os algoritmos foram avaliados em tarefas de classificação de imaginação motora, com registros de movimentos para direita e esquerda, além de estados de repouso. Os resultados demonstraram que o algoritmo Random Forest apresentou o melhor desempenho, alcançando 83,83% de acurácia e 83,00% de F1-Score, seguido pelo MLP com 77,90% de acurácia e 76,33% de F1-Score, e SVM com 69,97% de acurácia e 68,11% de F1-Score.
Palavras-chave: Intelligent Algorithms; Brain-Computer Interface (BCI); Artificial Neural Network (ANN); Support Vector Machine (SVM); Random Forest (RF).
Páginas: 8
Código DOI: 10.21528/CBIC2025-1141748
Artigo em PDF: CBIC_2025_paper1141748.pdf
Arquivo BibTeX:
CBIC_2025_1141748.bib