Gráficos de Recorrência para Classificação de Sinais de EEG Usando Aprendizado Profundo

O desenvolvimento de Interfaces Cérebro-Computador (BCI) exige a capacidade de processamento e classificação de sinais neuronais, gerados por certos estímulos sensoriais, de uma grande variedade de usuários. Com este objetivo, o presente trabalho busca a aplicação de Redes Neurais Convolucionais, reconhecidas pelo seu alto desempenho em problemas de classificação, para o processamento de sinais de eletroencefalografia (EEG). Os sinais de EEG foram primeiramente pré-processados pela técnica de Análise de Correlações Canônicas e convertidos em imagens através de Gráficos de Recorrência. Os resultados corroboram o uso desta abordagem em sistemas de BCI, atingindo uma taxa de acerto de 96% para sinais de 128 pontos (0,5 s).