Resumo: Interfaces cérebro-computador (BCIs, do inglês brain-computer interfaces) são sistemas capazes de permitir a um usuário, por meio da análise de seus sinais cerebrais, o envio de comandos a uma máquina. O desenvolvimento dessa tecnologia promete mudanças impor- tantes principalmente na acessibilidade da parcela da população que sofre de distúrbios neuromusculares - como esclerose lateral amiotrófica (ELA), acidente vascular cerebral (AVC) ou lesão da medula espinhal - que limitam ou bloqueiam outros meios de comuni- cação com o mundo. A BCI pode usar várias estratégias, dentre as quais se destacam as baseadas nos potenciais visualmente evocados de regime permanente (SSVEP, do inglês Steady State Visual Evoked Potentials). Esse tipo de BCI opera por meio da detecção de diferentes padrões de oscilação presentes em estímulos visuais (que indicam diferentes co- mandos a serem dados pelo usuário) nos sinais de eletroencefalografia (EEG). Tais sinais são gerados principalmente no córtex visual do cérebro a partir de estímulos visuais de frequência superior a 3,5 Hz. As vantagens das BCIs que utilizam sinais de SSVEP são a taxa de transferência relativamente alta e a necessidade de uma etapa de treinamento de menor duração em relação a outras estratégias. Porém, os estímulos visuais utilizados podem causar fadiga em caso de uso prolongado, o que pode afetar o desempenho do sistema. Duas etapas intimamente vinculadas são cruciais para determinar o desempenho da BCI em termos de capacidade de transmissão: as etapas de extração de atributos (ou características) e de classificação/decisão. Nelas, é preciso utilizar todo o ferramental de que se puder dispor para interpretar os sinais de modo que seja possível discriminar os possíveis padrões cerebrais correspondentes à cada comando. O uso de atributos baseados na amplitude e fase do espectro do sinal de EEG nas frequências dos estímulos visuais é uma opção natural no contexto de BCIs baseadas em SSVEP. Nesse sentido, uma estima- tiva precisa do espectro nessas frequências é fundamental para o bom funcionamento do sistema. Da mesma forma, é muito importante que o classificador seja capaz de associar corretamente os atributos extraídos dos sinais cerebrais aos comandos do sistema. Tendo isso em vista, este trabalho apresenta uma análise da aplicação de técnicas de estimação espectral pouco exploradas no contexto de BCIs em SSVEP e uma proposta para uti- lização de atributos baseados na estimativa de fase do sinal de SSVEP. As técnicas de estimação espectral apresentaram, em média, uma pequena diferença em seu uso, porém, ao analisar cada indivíduo, foi possível observar casos onde há acréscimos absolutos na acurácia de até 7% em relação à Transformada Discreta de Fourier (DFT, do inglês Dis- crete Fourier Transform). Além disto, o uso dos atributos de fase baseados na proposta deste trabalho implicaram em um aumento relativo médio de 25% na acurácia comparados à classificação utilizando apenas atributos de amplitude Ver menos

Abstract: Brain-computer interfaces (BCIs) are systems capable of enabling a user to send com- mands to a machine through the analysis of his brain signals. The development of this technology promises important changes, mainly in the accessibility of the portion of the population that suffers from neuromuscular disorders - such as amyotrophic lateral scle- rosis (ALS), cerebrovascular accident (CVA) or spinal cord injury - that limit or block other means of communication with the world. BCI can use several strategies, among which those based on Steady State Visual Evoked Potentials (SSVEP) stand out. This type of BCI operates by detecting different oscillation patterns present in visual stimuli (which indicate different commands to be given by the user) in electroencephalography (EEG) signals. Such signals are mainly generated in the visual cortex of the brain from vi- sual stimuli with a frequency higher than 3.5Hz. The advantages of BCIs that use SSVEP signals are the relatively high throughput and the need for a shorter training step com- pared to other strategies. However, the visual stimuli used can cause fatigue in prolonged use, which can affect system performance. Two closely linked steps are crucial to deter- mine the performance of the BCI in terms of transmittability: the attribute (or feature) extraction and classification/decision steps. In them, it is necessary to use all the tools available to interpret the signals so that it is possible to discriminate the possible brain patterns corresponding to each command. The use of attributes based on the amplitude and phase of the EEG signal spectrum on the frequencies of visual stimuli is a natural option in the context of SSVEP-based BCIs. In this sense, an accurate estimate of the spectrum at these frequencies is essential for the proper functioning of the system. Like- wise, it is very important that the classifier be able to correctly associate the attributes extracted from the brain signals to the system commands. With that in mind, this work presents an analysis of the application of spectral estimation techniques less explored in the context of SSVEP BCIs and a proposal for the use of phase-based attributes based of the SSVEP signal. The spectral estimation techniques presented, on average, a small difference in their use, however, when analyzing each individual, it is possible to observe cases where there are absolute increases in accuracy of up to 7% in relation to the Discrete Fourier Transform (DFT, from English Discrete Fourier Transform). The use of phase at- tributes based on the proposal of this work resulted in an average relative increase of 25% in accuracy compared to the classification using only amplitude attributes Ver menos