Aprendizado de máquina para detecção e classificação de imagética motora baseada em sinais de eletroencefalografia

Resumo

A independência de pacientes com traumas neurológicos ou deficiências motoras ainda é extremamente limitada. Esses indivíduos costumam ter alto grau de consciência e capacidade intelectual, mas com grande dependência física, emocional, social e vocacional. Apesar da perda de mobilidade física, os sinais cerebrais geralmente são gerados em regiões do córtex quando os movimentos são imaginados. A tradução desses estímulos é útil no controle de Interfaces Cérebro-Máquina (Brain computer interfaces, BCI), como cadeiras de rodas, neuropróteses, dispositivos de comunicação ou entretenimento (KARTHIK, 2018; PADFIELD, 2019). Algumas abordagens podem ser adotadas para traduzir os sinais cerebrais, uma das quais é a imagética motora (IM). A IM é um ensaio mental intencional de um comportamento motor, sem um movimento ou estímulo externo associado, que reativa a memória cinestésica de um movimento realizado anteriormente, dando a impressão de que está sendo realizado novamente. Nesse contexto, um desafio é a grande complexidade do problema, devido à variabilidade de intensidades e frequências dos sinais produzidos por cada indivíduo. Portanto, é necessário o uso de técnicas de aprendizado de máquina para uma boa classificação e para um treinamento personalizado para cada usuário de um BCI (PADFIELD, 2019; BATULA, 2017) . Para o desenvolvimento deste trabalho foi utilizada a base de dados pública 2b da BCI Competition 2008 (Graz B) (LEEB, 2008). A base é composta por 2 classes (mão direita e mão esquerda) e 3 canais bipolares de dados de eletroencefalografia de 9 sujeitos. A metodologia deste trabalho consistiu, primeiramente, na aplicação de um janelamento dos sinais, com janelas de 1s e sobreposição de 0,5s.  Em seguida, foram aplicadas duas abordagens distintas. A primeira consistiu na utilização dos sinais de EEG brutos, sem processamento. A segunda consistiu no processamento dos sinais, visando a retirada de artefatos, como influências de sinais de eletro-oculografia (movimento dos olhos) e da rede. Nesse segundo caso, foi aplicado um filtro passa-banda de Butterworth de ordem 5, selecionando as faixas de frequências alfa e beta (8-32Hz), importantes para a detecção de imagética. Após a filtragem, foi aplicada decomposição em wavelets em 10 níveis. Em seguida, foi aplicado um threshold estatístico nos coeficientes de wavelet (BAJAJ, 2020). Finalmente, atributos explícitos foram extraídos de cada janela (em ambas as abordagens), tanto no domínio do tempo quanto da frequência, usando o software de código aberto GNU/Octave. Após a extração, também foram selecionados os atributos mais relevantes através do método de otimização Evolutionary Search. Para a etapa de classificação, várias abordagens supervisionadas foram experimentadas, como Máquinas de vetor de suporte (SVM); Redes bayesianas (Bayes Net e Naive Bayes) e modelos baseados em árvores de decisão (Random Tree e Random Forest). Os experimentos para verificar o desempenho dos diferentes classificadores foram realizados no software Weka, utilizando validação cruzada com 10 folds. Devido à neuroplasticidade, os experimentos foram sujeito-dependentes, ou seja, um classificador foi treinado para cada voluntário. Para isso, todas as configurações de classificadores foram testadas para o sujeito 8 e, em seguida, a melhor e a pior configuração foram aplicadas aos demais participantes. O sujeito 8 foi escolhido por apresentar bons resultados de classificação em diversos trabalhos do estado da arte e, por isso, é provável que seja um sujeito mais assertivo na imaginação dos movimentos durante as sessões de aquisição dos sinais. Dentre os classificadores testados para o sujeito 8, o melhor desempenho foi obtido com as Random Forests utilizando 90 árvores, com acurácia média de 70,263,16 para a abordagem sem pré-processamento e 66,663,01 para a abordagem com processamento. Apesar dos resultados satisfatórios, os índices kappas obtidos foram de 0,410,06 e 0,330,06, respectivamente, indicando uma concordância de baixa a mediana. Pensando nisso, foi também aplicada o método SMOTE (Synthetic Minority Oversampling Technique) para ampliação das duas bases de dados, considerando 2 vizinhos e um aumento de 150% da base. Nesse caso, os resultados melhoraram significativamente, com acurácia média de 86,261,39 e 86,461,49 e índices kappa de 0,730,03 para as bases sem processamento e com processamento, respectivamente. Finalmente, o classificador Random Forest com 90 árvores também foi aplicado nos demais participantes, resultando em uma acurácia média geral de 65,039.50 (base original) e de 81,934,98, quando aplicado o SMOTE. Esses resultados sugestionam que a base original é pequena e que os trials são insuficientes para treinamento e generalização dos dados, necessitando de mais sinais para cada um dos pacientes. Além disso, houve uma queda no desempenho ao utilizar técnicas de pré-processamento dos sinais, apontando que há uma perda de informações importantes durante a filtragem. Assim, a partir dos experimentos realizados, pode-se observar que a utilização de inteligência artificial se mostrou promissora para a resolução de problemas de imagética motora, apresentando resultados expressivos na identificação dos movimentos da mão direita e esquerda.  Futuras abordagens podem vir a incorporar outros tipos de classificadores, bem como explorar métodos de aprendizagem profunda para extração de atributos e/ou classificação.