Dissertação
Error perception classification in Brain-Computer interfaces using Convolutional Neural Networks EVALUATED
Obter a percepção de erro de um humano ao interagir com uma interface cérebro-computador é um ponto chave para melhorar o desempenho desses sistemas. Recentemente, redes neurais convolucionais (CNN) foram usadas com esse propósito, libertando o modelo da necessidade de escolher características específicas apartir dos dados. Apesar dos avanços dos últimos anos, há ainda espaço para melhorias. Os objetivos deste trabalho são replicar e validar modelos anteriores de CNN usados para classificar percepção de erro; propor novos modelos CNN baseados em avanços de Aprendizagem Automática e ainda disponibilizar todo o código e modelos desenvolvidos publicamente. Depois de uma revisão bibliográfica, três modelos CNN de classificação de potenciais dependentes de erro (ErrP) foram escolhidos para replicação. Depois, o autor avalia diferentes novos modelos resultantes do estudo de modelos CNN que classificam sinais ErrP e P300. A base de dados "Monitoring Error-Related Potential" é usada para treinar e testar todos os modelos. O melhor modelo da literatura atinge valores de precisão, sensibilidade e especificidade de 77.6%, 71.7%, e 83.1%, respetivamente. Para o melhor modelo proposto, estas métricas são de 80.4%, 75.9% e 84.7%, respectivamente, o que representa um aumento estatisticamente significante sobre os modelos da literatura (p=0.0004). Um input de EEG de mais curta duração (600ms) é também usado em vez do input mais comum de um segundo com sucesso e sem perda de performance. O novo modelo proposto supera o desempenho do state-of-the-art. O input de 600ms permite tempos de processamente menores em aplicações de tempo-real sem perda de desempenho.
janeiro 12, 2021, 17:0
Publicação
Obra sujeita a Direitos de Autor