Palestrante
Descrição
Métodos baseados em Geometria Riemanniana têm se mostrado altamente eficazes para a classificação de sinais de Eletroencefalografia em sistemas de Interface Cérebro-Computador. Tradicionalmente, tais abordagens fazem uso de matrizes de covariância para representar a estrutura espacial dos sinais, aproveitando a natureza das matrizes Simétricas Positivas Definidas. No entanto, essas representações se limitam a capturar apenas relações lineares de segunda ordem entre os canais, o que restringe a modelagem da complexidade intrínseca dos sinais cerebrais. Neste trabalho, propomos o uso de estatísticas de ordem superior, especificamente a curtose, como forma de enriquecer a representação Riemanniana. Essa estratégia visa incorporar interações de ordem superior entre os canais, ampliando a capacidade discriminativa dos modelos. Além disso, investigamos a integração dessa abordagem em Redes Riemannianas Profundas, avaliando seu desempenho em dados de imagética motora.