| Resumo: | Interfaces cérebro-máquina (BCIs) são sistemas que adquirem e classificam sinais provenientes da atividade cerebral. Para tanto, tal tecnologia utiliza algoritmos capazes de diferenciar estes sinais através da identificação de padrões. Nesse sentido, sistemas BCI criam um caminho de comunicação direta entre o cérebro e dispositivos externos, de modo que não há necessidade de qualquer estímulo muscular. Uma das aplicações mais importantes desses sistemas é auxiliar pessoas que perderam a capacidade de se comunicarem verbalmente, em decorrência de paralisias musculares severas. Diversas técnicas podem ser utilizadas para adquirir os sinais cerebrais. Dentre elas, a Espectroscopia Funcional de Infravermelho Próximo (fNIRS), é uma forma de aquisição não-invasiva, segura, portátil e relativamente fácil de ser utilizada. Al ́em disso, essa tecnologia tem sido objeto crescente de estudo nos últimos anos. Nesta técnica, as informações são coletadas através da análise de alterações nas taxas de oxigenação e desoxigenação do sangue na região de aquisição. Dessa forma, este trabalho tem como objetivo avaliar o sistema eletrônico de aquisição multicanal de sinais fNIRS desenvolvido por [1], através de duas abordagens de aprendizagem de máquina. Na primeira abordagem, dois cenários de classificação foram propostos com a utilização de um classificador do tipo SVM. Na segunda abordagem, a classificação ao foi feita através de técnicas de aprendizado profundo, com a implementação de um modelo preditivo do tipo CNN para outros dois cenários. Para todos os cenários propostos, foi feita a classificação de sinais reais de seres humanos, a fim de diferenciar duas classes: movimentos intencionais dos dedos de uma das mãos e ausência de movimento. Além disso, as coletas foram feitas com 3 voluntários e duas aquisições em dias distintos para cada participante, totalizando 6 coletas. Além dos estudos de classificação, outro experimento foi proposto com o objetivo de avaliar a montagem e instrumentação do sistema. Nesse sentido, o sistema eletrônico foi utilizado para adquirir um sinal de fotopletismografia (PPG). Posteriormente, esse sinal foi tratado e comparado com medidas de batimento cardíaco por minuto (bpm) de um oxímetro de pulso comercial. A coleta do sinal de PPG, bem como o monitoramento de bpm foram realizados de forma simultânea. Os gráficos de comparação entre o sinal tratado de PPG e as amostras de bpm do oxímetro de pulso foram similares, validando, assim, o sistema eletrônico para aquisição de sinais biológicos. Nos experimentos de classificação, dois cenários foram propostos para cada tipo de classificador. No primeiro cenário, os sinais de dois dos participantes foram separados para treinamento do modelo de classificação. Por sua vez, os sinais do terceiro participante foram usados para a base de teste. Os resultados de classificação tanto para o classificador SVM quanto para o CNN, nesse primeiro cenário, foram satisfatórios. De modo que foi apontado que ambos os modelos de predição conseguiram diferenciar as duas classes avaliadas. Entretanto, o classificador CNN forneceu até 5% a mais de acurácia quando comparado ao modelo utilizando SVM. No segundo cenário proposto, para ambos os modelos de predição, foram utilizados os sinais dos 3 voluntários. A coleta foi realizada duas vezes nos mesmos participantes e em dias distintos. Os dados coletados no primeiro dia foram utilizados para a base de treinamento, de modo que os dados coletados no segundo dia foram usados para a base de teste. As métricas de desempenho para os dois classificadores não foram satisfatórias. Dessa forma, é possível perceber que, para o cenário proposto, os modelos SVM e CNN não conseguiram discernir com boa acurácia os estados de movimento intencional e ausência de movimento |
