Resumo: Uma Interface Cérebro-Computador (BCI) é um sistema que fornece um caminho alternativo para que a informação do cérebro de um indivíduo possa ser transmitida ao mundo externo. Compreende, entre outros módulos, uma etapa de processamento de sinal que é composta pelo pré-processamento, extração de características, e classificação. Existem muitos algoritmos possíveis que podem ser usados para implementar a BCI. Neste trabalho, avaliamos o desempenho de uma BCI baseada em imagética motora realizando um estudo combinado de oito técnicas de Análise de Componentes Independentes (ICA): Joint Approximate Diagonalization of Eigenmatrices (JADE), Second-Order Blind Identification (SOBI), Picard, Picard-O, Infomax, Extended Infomax, FastICA e Online Recursive Independent Component Analysis (ORICA) e sete algoritmos de classificação: Máquina de Vetores de Suporte (SVM), Análise do Discriminante Linear (LDA), Naïve bayes, Regressão logística, Perceptron multi-camadas (MLP), Floresta aleatória e EEGNet, um modelo de aprendizagem profunda. Também avaliamos a robustez da BCI e o impacto dos algoritmos de ICA entre sessões, empregando bases de dados coletados em dias diferentes para os mesmos voluntários. Nossos resultados mostram que pode haver diferenças significativas entre o desempenho relativo dos métodos entre indivíduos e entre conjuntos de dados. A BCI usando FastICA e Extended Infomax apresentou maior kappa dependendo do conjunto de dados, enquanto o classificador de regressão logística se destacou, apresentando as melhores métricas. Com a EEGNet, a ICA ajuda a reduzir o número de épocas de treinamento necessárias, mas com redução do desempenho do BCI. Por fim, vemos que no protocolo de calibração da BCI entre sessões impacta no desempenho, mas a técnica ORICA apresenta um desempenho consistente em ambos os casos Ver menos

Abstract: A Brain-Computer Interface (BCI) is a system that provides an alternative pathway to the information of an individual brain to the external world. It comprises, among other modules, a signal processing stage which is mainly composed of a preprocessing step, a feature extraction step, and a classification step. There are many possible algorithms that can be used in each step, and their choice can greatly impact the BCI. In this work we evaluate the combined use of eight Independent Component Analysis (ICA) algorithms (Joint Approximate Diagonalization of Eigenmatrices (JADE), Second-Order Blind Identification (SOBI), Picard, Picard-O, Infomax, Extended Infomax, FastICA and Online Recursive Independent Component Analysis (ORICA)) and seven classification algorithms (Support Vector Machine (SVM), Linear Discriminant Analysis (LDA), Naïve Bayes, Logistic regression, Multi-layer perceptron (MLP), Random forest and EEGNet, a deep learning model) in a Motor Imagery (MI) BCI. With the goal of also investigating the performance of the ICA methods on different days, we perform another set of experiments to evaluate between-session robustness. Our results show that there can be significant differences between the relative performance of the methods between subjects and between datasets. BCIs using FastICA and Extended Infomax showed the highest classification kappa depending on the dataset, while the Logistic Regression classifier stood out with best metrics. With EEGNet, ICA helps reduce the number of necessary training epochs, but with reduction to the BCI performance. Finally, we see that in the between-session BCI calibration protocol results could highly vary between the two datasets, but ORICA has consistent performance in both cases Ver menos