Classificação de sinais de EEG para potenciais visuais evocados utilizando Deep Learning

Abstract

Nos últimos anos, com os avanços tecnológicos nas placas gráficas (Graphics Processing Units - GPU’s) e o enorme número de pesquisas nas áreas de Neurociência e Biossinais, as técnicas de Machine Learning (ML) e Deep Learning (DL) tem sido largamente utilizadas nestas áreas. O crescimento da inteligência artificial, a disponibilidade de inmensos repositórios de bancos de dados e a invenção de novos algoritmos de Deep Learning, assim como ferramentas (frameworks), tornaram viável a implementação e a solução de desafios na engenharia, gerando novas tecnologias que possibilitam a conexão de diferentes partes do corpo humano por meio de biossinais, como um canal secundário, sem utilizar as vias neuromusculares. Um exemplo são as conhecidas interfaces cérebro máquina Brain Computer Interface - BCI. Neste trabalho foram implementados dois modelos de DL utilizando TensorFlow e Keras para classificação de sinais de EEG para potenciais visuais evocados. Foram utilizadas duas abordagens com o banco de dados: na primeira utilizou-se o conjunto de dados completo, abrangendo diversos sujeitos e diversas frequências, com o objetivo de ter uma alta inferência dos dados, em um modelo geral. Utilizando o modelo CNN (Convolutional Neural Network ), os sinais de EEG foram classificados com acurácia de 90, 76% e com o modelo Multihead a acurácia foi de 84, 61%. Na segunda abordagem, utilizou-se o conjunto de dados por sujeito e estudou-se o desempenho dos mesmos modelos para cada um dos sujeitos do dataset. Alcançou-se um valor de acurácia mı́nimo de 92, 30% no modelo CNN e de 94, 87% no modelo MultiHead. Os novos modelos apresentam excelentes resultados na classificação de biossinais e podem auxiliar no accionamento de uma BCI.

In recent years, with the advance of the graphics processing units (GPUs) and the huge number ou neuroscience and biosignals researches, Machine Learning techniques (ML) and Deep Learning (DL) have been widely used in these areas. The expansion of artificial intelligence, the availability of huge database repositories and the invention of a new Deep Learning algorithms, as well as frameworks, have made implementation and solution feasible. Engineering challenges generate new technologies that allow the connection of differents parts of the human body through biosignals, as a secondary channel, without using the neuromuscular pathways. An example is the well know Brain Computer Interface (BCI). In this work, two DL models were implemented using TensorFlow and Keras to classify EEG signals for evoked visual potentials. Two approaches were used with the database: the first employed the complete dataset covering all subjects and all frequancies, in order to have a high data inferences in a general model. Using the CNN (Convolutional Neural Network) model, the EEG signals were classified with 90.76% accuracy and with the MultiHead model the accuracy was 84.61%. In the second approach, we used the dataset by subject and studied the performance of the same models for each of the dataset subjects. Minimum accuracy values of 92, 30% in the CNN model and 94, 87% in the Multihead model were achieved. With this work, two new DL models were stablished, with excellent results in biosignals classification, as can be seen comparing with those presented in several articles in the specialized literature.