Interface cérebro-máquina utilizando o EEG humano: movendo o avatar num ambiente virtual utilizando atividade elétrica do cérebro

Abstract

Imagética motora é uma atividade mental na qual o sujeito imagina realizar determinado movimento motor, sem executá-lo fisicamente. É uma prática utilizada para controle de próteses mecânica, cadeiras de rodas e na reabilitação de pacientes com lesões neurológicas, técnica que tem apresentado bons resultados referentes a plasticidade neural e aprendizado motor na reabilitação em engenharia biomédica. No entanto, para que seja possível o desenvolvimento de dispositivos controlados pela atividade cerebral, é necessário o estabelecimento de métodos otimizados para coleta e processamento dos dados biológicos, sendo este o objetivo principal do presente trabalho. Por meio do eletroencefalograma (EEG) são adquiridos os sinais neurais, para uso no controle de um dispositivo externo, sem uma requisição da ação muscular. Os sinais de EEG são então submetidos a um processo de aprendizado de máquina, onde se busca avaliar classificadores, após o tratamento do sinal. O tratamento dos dados (pré-processamento, extração de atributos e redução da dimensionalidade) facilita o processo de reconhecimento de padrões dos sinais relacionados à imaginação motora. Neste trabalho foram realizadas classificações de sinais de imagética motora de forma off-line e online. Foram analisados sinais de uma base de dados disponível e foram coletados sinais de EEG obtidos em experimentos com 4 voluntários. Os dados coletados foram utilizados para mover um avatar com 4 comandos, utilizando da imagética de movimentos de membros superiores e inferiores (imagética de mão esquerda, imagética de mão direita, imagética de pés e parado (sem imagética ou movimento)). Foram avaliados os desempenhos de algumas técnicas para tratar o sinal (dessincronização relacionada ao evento, análise no domínio do tempo, análise do domínio do tempo e frequência e filtragem espacial) e o uso de alguns classificadores (k vizinhos mais próximos, máquina de vetores de suporte, árvore de decisão, perceptron de múltiplas camadas, análise de discriminante lineares e ensemble). Os métodos implementados online foram capazes de classificar as 4 classes com acurácia de 80% em um dos sujeitos, porém com média de 60,75% para a amostra estudada. Não houve destaque entre os métodos implementados para interface cérebro-máquina (ICM) proposta, como sendo o mais adequado para todos os sujeitos. Dessa forma, foi preferível utilizar um método particular que atingiu os melhores índices para cada sujeito. A quantidade de dados para o treinamento influenciou na capacidade de generalização dos sinais. Utilizando 6 coletas (60 exemplos de cada classe com duração de 5s cada exemplo) na fase de treinamento foi possível obter sucesso na ativação do avatar, em parte da amostra, pois a prática mental de alguns sujeitos influenciou em seu desempenho. Essa prática pode ser aperfeiçoada com neurofeedback, que é uma ferramenta comumente utilizada em ICM.