62ª Reunião Anual da SBPC
A. Ciências Exatas e da Terra - 2. Ciência da Computação - 6. Inteligência Artificial e Redes Neurais
INTERFACE CÉREBRO-MÁQUINA BASEADA EM EEG ATRAVÉS DE REDES NEURAIS ARTIFICIAIS
André Freitas Barbosa 1
Bryan da Costa Souza 1
Dayara Alves Ferro 1
Adrião Duarte Dória Neto 1
Ana Maria Guimarães Guerreiro 1
Antônio Pereira Júnior 1
1. Universidade Federal do Rio Grande do Norte
INTRODUÇÃO:
O aumento no poder de processamento dos computadores observado nas ultimas décadas tem permitido a utilização de ferramentas poderosas de processamento de sinais em aplicações práticas das neurociências. As interfaces cérebro-máquina (ICMs) são sistemas computacionais capazes de controlar dispositivos externos a partir de informações extraídas da atividade cerebral. Ao permitir a interação do paciente com o ambiente através de atuadores artificiais, prescindindo da ativação da musculatura esquelética estriada, as ICMs podem ser utilizadas para melhorar a qualidade de vida de pacientes com várias disfunções motoras, decorrentes de acidente vascular cerebral (AVC) ou esclerose lateral amiotrófica, por exemplo. As ICMs se dividem basicamente em dois grandes grupos: invasivas, que necessitam de procedimento cirúrgico para o implante de eletrodos, e as não-invasivas. Neste trabalho, implementamos uma ICM não-invasiva baseada em sinais de eletroencefalograma (EEG) associados a tarefas mentais implícitas. Para o classificador, propomos o uso de redes neurais artificiais (RNA).
METODOLOGIA:
Na aquisição de sinal, foi usado um aparelho de EEG (BrainNet BNT-36) de 22 canais com taxa de amostragem de 400 Hz. Os eletrodos foram posicionados no escalpo dos 4 sujeitos (4 homens: 1 canhoto, 3 destros) de acordo com o sistema internacional 10/20. Cada sujeito realizou 3 sessões com 42 trials. Um trial era composto por: apresentação da tarefa (3s), intervalo para execução da tarefa (7s) e apresentação de uma tela de descanso (2s). As três tarefas usadas foram: imagética motora da mão esquerda, direita e operações de soma. Cada uma foi apresentada, em ordem aleatória, 14 vezes em cada trial. O processamento e a classificação, ambos offline, foram feitos no ambiente do software MATLAB®. Do período de realização da tarefa, extraímos de cada canal o espectro de potência usando uma janela deslizante de 100 pontos (sem sobreposição). As potências foram separadas e normalizadas para as bandas Delta (0.5-4 Hz), Teta (4-7 Hz), Alfa (7-14 Hz), Beta (14-20 Hz) e Gama (20-50 Hz); e utilizadas para treinar um classificador baseado em RNA do tipo MultiLayer Perceptron. A arquitetura usada nas redes foi de uma camada oculta com 30 neurônios (escolhido arbitrariamente) e taxa de aprendizado de 0.01. Utilizamos o método Powell-Beale para treino e, para validação, 10-fold cross-validation.
RESULTADOS:
Em geral, a classificação dos padrões de cada tarefa foi difícil para a rede neural, principalmente na diferenciação das tarefas de imagética da mão esquerda e mão direita, já a soma obteve uma boa classificação, provavelmente devido à maior ativação pré-frontal realizada nessa atividade. Como era de se esperar, as combinações com frequências mais altas (Alfa e Beta; Beta e Gama; Alfa, Beta e Gama) obtiveram desempenho melhor do que as combinações com frequências mais baixas (Delta e Teta; Delta, Teta e Alfa). Provavelmente, a dificuldade da rede em classificar as tarefas da mão esquerda e direita se deve ao fato da proximidade das áreas motoras dos dois hemisférios e à baixa resolução espacial do EEG. Embora a taxa média de acerto tenha ficado abaixo dos 60%, variando de sujeito para sujeito, todos os sujeitos obtiveram redes operacionais para a combinação com todas as frequências (teste t; p<0.05). Outro método utilizado para verificar a eficiência da rede foi a taxa de transferência de informação (medida em bits/s), proposta por Wolpaw e colaboradores. Nessa análise, obtivemos resultados razoáveis, bem dentro da média das ICMs encontradas na literatura.
CONCLUSÃO:
Embora nossa ICM não tenha mostrado uma eficiência tão alta, acreditamos que ela pode melhorar significativamente seu desempenho se aliada a outras análises. Com taxa de transferência dentro do intervalo observado na literatura (10-25 bits/minuto), nosso método se mostra dentro dos padrões obtidos pelas ICMs e indica uma técnica promissora. Para o aprimoramento da ICM desenvolvida, é necessário implementar filtros espaciais como, por exemplo, CSP e ICA. Além disso, uma maior exploração de métodos de processamento de sinais, como wavelets, e de métodos de classificação (por ex. SVM e árvores de decisão) pode trazer melhorias ao sistema.
Instituição de Fomento: Associação Alberto Santos Dumont para Apoio à Pesquisa - AASDAP
Palavras-chave: Redes neurais artificiais, Interface Cérebro-Máquina, Eletroencefalograma.