AutoBCI: interface cérebro-máquina com configuração hiperparamétrica automatizada

Interfaces Cérebro-Máquina baseadas em Imagética Motora (ICM-IM) permitem o controle de dispositivos independente do uso de nervos e músculos periféricos, a partir da modulação voluntária da atividade eletrofisiológica do cérebro. O desafio imposto à ICM-IM não invasivas típicas é extrair padrões que descrevam a intenção motora nos sinais coletados por eletroencefalografia (EEG) e classificá-los a fim de se gerar comandos confiáveis à aplicação. Para tanto a seleção de técnicas de processamento adequadas assim como a parametrização correta do sistema são fundamentais no ajuste de modelos de classificação eficazes. A configuração dos múltiplos hiperparâmetros na cadeia de processamento, comumente realizada de forma manual e inespecífica do usuário, tende a gerar modelos rígidos e incapazes de generalizar bem em diferentes indivíduos, em especial pela alta variabilidade dos padrões de IM observada entre eles. O uso de estratégias para estimativa desses hiperparâmetros conforme as especificidades do sujeito apresenta-se como uma abordagem mais eficaz e tem sido explorada em estudos recentes. Este trabalho propõe uma estrutura baseada em aprendizado Bayesiano para configuração automática de hiperparâmetros incorporada à uma nova plataforma computacional ICM-IM de código aberto. O sistema integra todas as etapas básicas da arquitetura de ICM-IM de sub-bandas, desde a aquisição até o controle de uma aplicação virtual. Múltiplas técnicas de processamento compõem um amplo espaço de configuração para busca de instâncias hiperparamétricas particulares que maximizam a performance do sistema e abstraem do usuário a tarefa de ajuste manual. Dados de 72 sujeitos em três conjuntos públicos de EEG foram usados em simulações off-line e on-line cujo intuito foi validar o funcionamento dos módulos implementados e investigar os efeitos da configuração automática no desempenho de classificação e no controle efetivo da aplicação. Uma melhora expressiva na acurácia de classificação foi observada ao usar modelos provenientes da configuração automática do sistema em comparação à modelos gerados a partir de configurações frequentes na literatura. Os resultados sugerem que a otimização dos hiperparâmetros produz modelos mais assertivos na classificação dos padrões de IM de diferentes usuários e tende a contribuir para um controle mais eficaz da aplicação. Conclui-se que este estudo contribui com o projeto de ICM-IM mais eficazes no reconhecimento dos padrões de IM particulares do usuário ao fornecer um ambiente experimental completo, personalizável e de uso descomplicado pela configuração automatizada. A opção por técnicas mais eficientes no processamento dos sinais também mostrou-se viável e também são consideradas contribuições deste trabalho.