Uma interface cérebro-computador (BCI) é um dispositivo que promove a comunicação de intenções de um usuário por vias biológicas não-usuais. A partir de registros da atividade cerebral, uma BCI tenta identificar o comando desejado pelo usuário; para isso, os sinais cerebrais passam por etapas de processamento para remover artefatos e extrair atributos representativos, antes de chegarem ao classificador, que prediz a classe (comando) correspondente. Este trabalho analisou o desempenho de diferentes classificadores no contexto de uma BCI baseada no paradigma de imaginação de movimento. As técnicas de classificação exploradas foram a regressão logística, a máquina de vetores-suporte (SVM) e as clássicas redes neurais do tipo perceptron de múltiplas camadas. Os dados utilizados referem-se a registros de EEG (eletroencefalografia) captados por 16 eletrodos durante a imaginação do movimento das mãos esquerda e direita. Tais dados foram tratados por um filtro CAR e, em seguida, tiveram atributos extraídos no domínio da frequência considerando as faixas de 8 a 12 Hz, 13 a 17 Hz e 18 a 22 Hz. Por fim, os modelos de classificação foram treinados e comparados em termos da acurácia média no conjunto de teste (20% dos dados disponíveis). Neste cenário, foi possível constatar que a SVM atingiu o melhor desempenho médio (77,81%), com uma variação de pouco mais de 3% entre as taxas de verdadeiro positivo (mão direita) e verdadeiro negativo (mão esquerda).

Apoio/Financiamento da Pesquisa: SAE/UNICAMP