Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/335555
Type: DISSERTAÇÃO DIGITAL
Degree Level: Mestrado
Title: Aprendizado profundo e interfaces cérebro-computador
Title Alternative: Deep learning and brain-computer interfaces
Author: Rampazzo, Willian, 1983-
Advisor: Attux, Romis Ribeiro de Faissol, 1978-
Abstract: Resumo: Uma Interface Cérebro-Computador (BCI, do inglês, Brain-Computer Interface) é um sistema artificial de comunicação direta entre o cérebro e um dispositivo externo. Ela opera de forma independente de nervos e músculos periféricos. Sua finalidade é traduzir a intenção do usuário, associada à medição da atividade originada no cérebro, em sinais de controle correspondentes aos da aplicação. Para tal, ela faz uso de técnicas de processamento de sinais e reconhecimento de padrões. Diferentes áreas podem se beneficiar das BCIs, como a área de entretenimento e a área de saúde. Especialmente na área de saúde, estes sistemas podem ter um grande impacto em pessoas com doenças que levam à síndrome do encarceramento, sendo, possivelmente, a única opção para comunicação em tais casos. As redes neurais profundas têm sido aplicadas a problemas de diferentes áreas, como visão computacional, processamento de linguagem natural, diagnósticos médicos, entre outras, obtendo resultados que, muitas vezes, ultrapassam o estado-da-arte. Uma característica interessante destas redes, em particular as redes convolucionais profundas (DCNNs, do inglês, Deep Convolutional Neural Networks), é a capacidade de extração de características de forma automática, dispensando, frequentemente, a engenharia de atributos manual, etapa quase obrigatória para um grande número de técnicas de aprendizado de máquina. Os resultados promissores obtidos por DCNNs em diferentes áreas indicam que há potencial para empregá-las na tarefa de processamento de sinais cerebrais em sistemas BCI. Este trabalho explora o uso destas redes em uma BCI baseada em potenciais visualmente evocados em estado estacionário (SSVEP, do inglês, Steady State Visually Evoked Potentials), investigando, inicialmente, se formatos diferentes de entrada, como o sinal bruto ou uma transformação do sinal, a exemplo, a transformada de Fourier de tempo curto, influenciam no desempenho das DCNNs. Para esta investigação, são propostas novas arquiteturas de DCNNs, avaliadas sobre diferentes tipos de entrada, e seus desempenhos são comparados aos de abordagens usualmente adotadas na etapa de classificação de BCIs. Este trabalho também investiga se é possível utilizar a técnica de transferência de conhecimento para ajustar DCNNs pré-treinadas aos dados de BCIs. Os resultados experimentais indicam que as DCNNs são uma opção a ser aplicada ao processamento de sinais cerebrais em BCIs

Abstract: A Brain-Computer Interface (BCI) is an artificial system of direct communication between the brain and an external device. It operates independently of peripheral nerves and muscles. Its purpose is to translate the user's intention, associated with the measurement of brain-originated activity, into control signals corresponding to those of the application. To do so, it makes use of signal processing and pattern recognition techniques. Different areas can benefit from BCIs, such as the entertainment area and the healthcare area. Especially in healthcare, these systems can have a significant impact on people with diseases that lead to locked-in syndrome and are possibly the only option for communication in such cases. Deep neural networks have been applied to problems in different areas, such as computer vision, natural language processing, medical diagnostics, among others, obtaining results that often surpass the state-of-the-art. An exciting feature of these networks, in particular, Deep Convolutional Neural Networks (DCNNs), is the ability to extract features automatically, often without the need for manual attribute engineering, an almost mandatory step for a large number of machine learning techniques. The promising results obtained by DCNNs in different areas indicate that there is potential to employ them in the task of processing brain signals in BCI systems. In this work, we explore the use of these networks in a Steady-State Visually Evoked Potentials (SSVEP) -based BCI investigating, initially, whether different input formats such as the raw signal or a signal transformation, for example, the short-time Fourier transform, influence the performance of DCNNs. For such, we propose new DCNN architectures and evaluate them in different input formats, comparing their performances to the approaches usually adopted in the BCI classification step. This work also investigates whether it is possible to use the knowledge transfer technique to adjust pre-trained DCNNs to BCI data. Experimental results indicate that DCNNs are an option to apply to brain signal processing in BCIs
Subject: Aprendizado profundo
Interfaces cérebro-computador
Redes neurais (Computação)
Potenciais evocados
Language: Português
Editor: [s.n.]
Citation: RAMPAZZO, Willian. Aprendizado profundo e interfaces cérebro-computador. 2019. 1 recurso online (99 p.). Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP.
Date Issue: 2019
Appears in Collections:FEEC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Rampazzo_Willian_M.pdf4 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.