Interface Cérebro-Computador Independente de Visão usando Atenção Seletiva e Análise de Componentes Principais
Ana Paula de Souza1; Leonardo Bonato Felix2; Eduardo Mazoni A M Mendes3
1 Universidade Federal de Viçosa/Campus Florestal; 2 Universidade Federal de Viçosa; 3 Universidade Federal de Minas Gerais
Resumo
A Análise de Componentes Principais (Principal Component Analysis - PCA) tem sido utilizada para a filtragem de sinais de eletroencefalograma (EEG) aplicados em Interfaces Cérebro-Computador (ICCs), permitindo uma melhor detecção e extração de características. Nesse sentido, o presente trabalho visa aplicar a PCA em sinais com potencial evocado auditivo envolvendo atenção seletiva e comparar com a classificação usando o sinal sem PCA. Para a verificação da ICC, o EEG de 14 voluntários foi coletado durante estimulação auditiva e a classificação foi feita offline. O estímulo utilizado foi um tom com modulação em amplitude (AM) com portadoras e moduladoras de 2 kHz e 38 Hz, para a orelha direita e 500 Hz e 32 Hz, para a orelha esquerda, respectivamente. Os sinais de EEG foram registrados de acordo com o sistema internacional 10-20 e, para a classificação, foram utilizados apenas os eletrodos T3, P3, F3, O1, P4, O2, T4, Pz e Fz. Considerando-se onze componentes principais (Principal Components - PCs), tem-se 99% da variância explicativa dos dados. Os sinais reconstruídos com essas componentes foram processados com a coerência espacial e apresentaram, na classificação, taxa de acerto de 92,86%, considerando-se 11,92s de sinal. A taxa de transferência de informação obtida com essa configuração foi de 3,16 bits/min. Considerando-se a classificação sem a utilização da PCA tem-se taxa de acerto de 82,14% e taxa de transferência de informação de 1,89 bits/min. Dessa forma, avaliando-se essas taxas, pode-se concluir que a aplicação da PCA promove uma melhor performance de uma ICC com atenção seletiva auditiva e coerência espacial.
Palavras-chave: ICC; Atenção Seletiva; Coerência Espacial; PCA