Análise de classificadores multiclasse aplicados a sinais de EEG baseados em SSVEP

Interfaces Cérebro-Máquina (ICM) têm cada vez mais tomado uma posição de destaque dentro do meio acadêmico, sendo sua otimização e refinamento um dos objetos de maior interesse no campo da engenharia e neurociência, devido ao seu potencial de promover autonomia e melhorar a qualidade de vida, especialmente de pessoas com limitações motoras. Entre as abordagens existentes, as ICMs baseadas em Steady-State Visually Evoked Potentials (SSVEPs) se destacam pela praticidade e simplicidade na conversão de estímulos visuais em comandos. Os sistemas ICM baseados em SSVEP usam respostas cerebrais à estímulos visuais calibrados em frequências específicas, os quais são interpretados como diferentes comandos, a fim de serem utilizados em um dispositivo externo ou aplicação digital. Neste contexto, o presente trabalho realiza uma análise comparativa de classificadores multiclasse aplicados a sinais de EEG obtidos com o paradigma SSVEP, utilizando dados públicos do RIKEN-LABSP. Foram implementadas diferentes estratégias de extração de características e pré-processamento antes da aplicação dos classificadores Linear Discriminant Analysis (LDA), K Nearest Kneighbors (KNN) e Random Forest. Os resultados demonstram a viabilidade da abordagem, com acurácias máximas de 100%, 83,33% e 74,81% para janelas temporais de 2s, 1 s e 500 ms, respectivamente. O classificador LDA apresentou o melhor desempenho entre os avaliados, sendo o mais adequado para a tarefa proposta.