Palestrante
Descrição
As Interfaces Cérebro-Computador (BCI, do inglês Brain-Computer Interface) baseadas em Potenciais Evocados Visualmente em Regime Estacionário (SSVEP, do inglês Steady-State Visual Evoked Potential) exigem classificação rápida e precisa. Este trabalho compara dois métodos de classificação que se destacam na literatura: a Análise de Correlação Canônica Supervisionada (sCCA, do inglês Supervised Canonical Correlation Analysis), que otimiza a correlação com modelos sintéticos, e a Análise de Componentes Relacionados à Tarefa (TRCA, do inglês Task-related component analysis), uma abordagem data-driven que maximiza a relação Sinal-Ruído por meio da consistência estatística do sinal do usuário, isto é, preservando padrões que são periódicos no tempo, como é o caso do estímulo SSVEP.
A hipótese proposta é de que o TRCA possui uma capacidade superior em capturar o regime transitório da resposta SSVEP, enquanto o sCCA é otimizado para o regime de estado estacionário. Para investigar esta premissa, foi realizada uma comparação direta em um dataset público, analisando a acurácia em função da duração da janela de dados e da latência de evocação.
O TRCA demonstrou acurácia superior em resultados preliminares nas configurações de latência menores, enquanto o sCCA apresentou melhor desempenho no maior valor de latência considerado na análise. Os resultados sugerem que de fato o TRCA trata melhor o transitório do potencial evocado, o que pode explicar o seu desempenho superior em janelas de duração mais curta.
