Feature extraction via autoencoders applied to brain-computer interfaces based on steady-state visually evoked potentials

Orientador: Levy Boccato Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Uma interface cérebro-computador (BCI, do inglês brain-computer interface) é um sistema que possibilita a transmissão de informação do cérebro para um computador explorando mecanismos diretos e distintos dos convencionais para tal comunicação. Em essência, uma BCI registra a atividade elétrica cerebral por meio de sensores e interpreta esses registros com o objetivo de produzir um comando para uma aplicação, como para o controle de uma cadeira de rodas automatizada. Existem diversos paradigmas de BCI, cada um explorando diferentes características neurofisiológicas do cérebro humano. Um desses paradigmas é baseado em potenciais evocados visualmente em regime estacionário (SSVEP, do inglês steady-state visually evoked potentials). Em uma BCI-SSVEP o indivíduo deve concentrar sua atenção em diferentes estímulos visuais, os quais são expostos continuamente com diferentes frequências. O desafio da interface é, então, identificar a frequência correspondente ao estímulo visual no qual o usuário está concentrado, tendo como base registros eletroencefalográficos (EEG). Para isso, a BCI processa o sinal cerebral com o intuito de remover artefatos e, principalmente, de extrair atributos relevantes a fim de obter uma representação discriminativa que contribua para a correta classificação dos sinais, de modo a identificar o estímulo visual selecionado pelo usuário, o qual codifica uma ação desejada. Uma técnica conhecida como autoencoder (AE) tem ganhado atenção especial nas últimas décadas devido a sua habilidade de descobrir representações vantajosas para uma base de dados. Essencialmente, autoencoders são redes neurais artificiais compostas de duas partes -- codificador e decodificador -- cujas funções são, respectivamente, criar a representação interna (chamada código) para o dado de entrada, e reconstruir o dado de entrada a partir do código gerado. Portanto, o codificador corresponde a um poderoso extrator de atributos não-linear. Neste trabalho, foi investigado o uso de AEs para realizar a extração de características em uma BCI-SSVEP. Diferentes tipos de AE foram analisados, tanto no domínio do tempo quanto no domínio da frequência, considerando dois classificadores: regressão logística e máquina de vetores-suporte (SVM, do inglês support-vector machine). Os resultados obtidos revelam que, em alguns casos, os AEs podem oferecer uma melhora modesta, de aproximadamente 1,5%, na acurácia do sistema quando comparados com técnicas classicamente utilizadas em BCI, como a transformada discreta de Fourier Abstract: A brain-computer interface (BCI) is a system that allows the transmission of information from the brain to a computer by exploring direct and distinct mechanisms from the conventional ones for such communication. In essence, a BCI records brain electrical activity using sensors and interprets these recordings in order to produce a command for an application, such as the control of an automated wheelchair. There are several BCI paradigms, each exploring different neurophysiological characteristics of the human brain. One of these paradigms is based on steady-state visually evoked potentials (SSVEP). In a BCI-SSVEP the individual must focus his attention on different visual stimuli, which are continuously exposed with different frequencies. Then, the challenge of the interface is to identify the frequency corresponding to the visual stimulus on which the user is concentrated, based on electroencephalographic (EEG) signals. For this, the BCI processes the brain signals in order to remove artifacts and, more importantly, to extract relevant features in order to obtain a discriminative representation that contributes to the correct classification of signals, in order to identify the visual stimulus selected by the user, which encodes a desired action. A technique known as autoencoder (AE) has gained special attention in the last decades due to its ability to discover advantageous representations for a dataset. Essentially, autoencoders are artificial neural networks composed of two parts ¿- encoder and decoder -- whose roles are, respectively, to create the internal representation (named code) for the input data, and to reconstruct the input data from the generated code. Thus, the encoder corresponds to a powerful nonlinear feature extractor. In this work, was investigated the use of AEs to perform the feature extraction in a BCI-SSVEP. Different AE approaches have been analyzed, both in time and frequency domains, considering two classifiers: logistic regression and support-vector machine (SVM). The obtained results reveal that, in some cases, the AEs can offer a modest improvement, approximately of 1.5%, in the system accuracy when compared to classical techniques used in BCIs, such as the discrete Fourier transform Mestrado Engenharia de Computação Mestre em Engenharia Elétrica CAPES 88887.363068/2019-00