Resumo: Uma das principais dificuldades no contexto das interfaces cérebro-computador está em obter classificadores de alto desempenho, devido tanto à escassez de dados disponíveis para treinamento quanto à diversidade de comportamentos que o cérebro humano pode apresentar. Diante deste cenário, técnicas de aumento de dados (data augmentation) se mostram como um caminho promissor, uma vez que podem sintetizar amostras artificiais úteis para o treinamento de modelos, amenizando o problema de falta de dados. Embora os trabalhos na literatura apresentem resultados importantes com o uso dos dados artificiais, verificamos que todos os trabalhos desenvolvidos até o momento para BCIs-SSVEP tratam exclusivamente da geração e uso dos sinais brutos de EEGs no domínio do tempo, explorando o domínio da frequência apenas para verificar a qualidade dos EEGs sintetizados. Contudo, como o paradigma SSVEP apresenta um apelo ao uso da informação espectral dos eletroencefalogramas (EEGs), já que a estímulação visual induz atividades cerebrais que oscilam nas mesmas frequências dos estímulos, a abordagem do problema no domínio da frequência parece ser mais adequada. Neste trabalho estendemos a aplicação de modelos generativos para sintetizar não apenas EEGs-SSVEP no domínio do tempo, mas também diretamente no domínio da frequência, produzindo os espectros que serão utilizados como entrada para os classificadores da BCI. Com isso, realizamos um extensivo estudo sobre o problema de classificação que envolve identificar a frequência de evocação dos EEGs-SSVEP abordando: (i) domínio do tempo sem data augmentation (desempenho-base), (ii) domínio do tempo com data augmentation, (iii) domínio da frequência sem data augmentation, (iv) domínio da frequência com data augmentation utilizando EEGs-SSVEP sintetizados na frequência e, por fim, (v) domínio da frequência com data augmentation utilizando EEGs-SSVEP sintetizados no domínio do tempo e depois convertidos para o domínio da frequência. Os resultados indicam que a classificação no domínio da frequência tende a apresentar melhores desempenhos do que no domínio do tempo, especialmente quando os espectros de EEGs são bem comportados e apresentam picos nítidos nas frequências de estímulo. Além disso, o uso de dados artificiais nas abordagens com data augmentation se mostrou eficaz, promovendo ganhos de desempenho em 80,7% dos cenários investigados, com os maiores desempenhos de validação sendo alcançados no domínio da frequência pelos classificadores convolucionais, CNN-1D, treinados com bases de dados aumentadas formadas por espectros dos EEGs reais de 4 segundos de duração e por espectros dos EEGs-SSVEP de 4 segundos de comprimento sintetizados no domínio do tempo pelas técnicas investigadas Ver menos

Abstract: One of the main challenges in the context of brain-computer interfaces lies in obtaining high-performance classifiers, due both to the scarcity of available data for training and the diversity of behaviors that the human brain can exhibit. In this scenario, data augmentation techniques have proven to be a promising path, as they can synthesize artificial samples useful for model training, mitigating the issue of data shortage. Although studies in the literature present significant results with the use of artificial data, we have found that all the work developed so far for BCIs based on the SSVEP paradigm exclusively deals with the generation and use of raw EEG signals in the time domain, exploring the frequency domain only to verify the quality of the synthesized EEGs. However, since the SSVEP paradigm encourages the use of spectral information from electroencephalograms (EEGs), as visual stimulation induces brain activity oscillating at the same frequencies as the stimuli, approaching the problem in the frequency domain seems more appropriate. In this work, we extend the application of generative models to synthesize not only SSVEP-EEGs in the time domain but also SSVEP-EEGs directly in the frequency domain, producing spectra that will be used as input for the BCI classifiers. Thus, we conduct an extensive study on the classification problem that involves identifying the evoked frequency of SSVEP-EEGs by addressing: (i) the time domain without data augmentation (baseline performance), (ii) the time domain with data augmentation, (iii) the frequency domain without data augmentation, (iv) the frequency domain with data augmentation using SSVEP-EEGs synthesized in the frequency domain, and finally, (v) the frequency domain with data augmentation using SSVEP-EEGs synthesized in the time domain and then converted to the frequency domain. The results indicate that classification in the frequency domain tends to perform better than that in the time domain, especially when the EEG spectra are well-behaved and show clear peaks at the stimulus frequencies. Additionally, the use of artificial data in data augmentation approaches proved effective, promoting performance gains in 80.7% of the scenarios investigated, with the highest validation performances being achieved in the frequency domain by convolutional classifiers, CNN-1D, trained with augmented datasets formed by spectra of real 4-second EEGs and spectra of 4-second SSVEP-EEGs synthesized in the time domain by the investigated techniques Ver menos