Estudo da implementação em sistemas embarcados de algoritmos para interfaces cérebro-máquina

Abstract

Nas últimas décadas, as pesquisas relacionadas à Interface Cérebro-Máquina (BCI) estão em uma das áreas de maior crescimento da engenharia neural, pois possui potencial de comercialização nos mercados de saúde, pesquisa e consumo. A implementação de um sistema BCI necessita de um processamento complexo de sinais de eletroencefalografia (EEG) que inclui filtragem, extração de características e algoritmos de classificação e alguns desses classificadores não necessitam de uma execução com alta demanda computacional. Nesse sentido, o presente trabalho traz a proposta de utilizar a plataforma PocketBeagle para embarcar implementações de algoritmos para BCI utilizando a linguagem Python. Os algoritmos implementados utilizaram os classificadores de Análise Discriminante Linear (LDA) e Máquina de Vetores de Suporte (SVM) juntamente com filtro de Padrões Espaciais Comuns (CSP). Esse trabalho visou explorar algumas características do sistema embarcado para otimizar desempenho, consumo de recursos e tempo de treinamento dos algoritmos implementados. Reproduziu-se a implementação desenvolvida por Fabien Lotte e Cuntai Guan em um estudo publicado em 2011 com o Data Set IVa da BCI Competition III para identificar os tempos de treinamento para cada sujeito e confirmar a média de acurácia encontrada na pesquisa. Foram geradas matrizes de confusão com os resultados provenientes das execuções dos algoritmos em Python para cada sujeito e essas matrizes originaram as medidas de desempenho de acurácia, confiabilidade, sensibilidade e f-score para validação da plataforma PocketBeagle como um possível sistema para implementações de BCI. O algoritmo em linguagem Python com CSP e LDA implementado para este trabalho obteve um tempo de treinamento maior em 5,78 vezes ao compara com o tempo encontrado durante a reprodução da pesquisa de Lotte e Guan e o algoritmo em Python com CSP e SVM aumentou em 5,71 vezes. Ao embarcar as implementações em Python na PocketBeagle, esse tempo de treinamento aumentou para, em média, 42,98s para o LDA e 42,66s para o SVM. Ao comparar com a execução em computador pessoal, o tempo de treinamento do classificador LDA aumentou em 48,50 vezes e do classificador SVM em 48,14 vezes. Ao analisar os consumos de memória das implementações no sistema embarcado, observa-se que os códigos implementados consumiram menos da metade da memória disponível na PocketBeagle de 512MB, sendo o consumo do classificador LDA de 167MB em seu pico e do SVM de 177MB no pico da execução. Utilizando as métricas decorrentes da matriz de confusão, fica claro que o classificador SVM tem melhor desempenho do que o LDA, pois sua acurácia é de 83,14% e seu f-score é 0,8111, enquanto para o classificador LDA têm-se acurácia de 66,29% e f-score de 0,6940.