Otimização de interfaces cérebro-máquina baseadas em imagética motora por seleção de features e combinação de modelos: compilado de artigos publicados em 2024 e 2025

Este Trabalho de Conclusão de Curso aborda o estudo e a otimização de sistemas de Inter faces Cérebro-Máquina (ICM) baseadas em Imagética Motora (IM), com foco na melhoria da precisão e da robustez de classificadores aplicados a sinais de Eletroencefalografia (EEG). O trabalho está dividido em dois estudos complementares, ambos utilizando o conjunto de dados público 2a da IV Competição de ICM. No primeiro estudo, foi investigado o impacto da seleção de features sobre o desempenho de sistemas ICM-IM. A metodologia incluiu filtragem por sub-bandas, aplicação do método Common Spatial Pattern (CSP) para geração de vetores de características e seleção por meio dos algoritmos Least Absolute Shrinkage and Selection Operator (LASSO) e SelectKBest, seguida de classificação com Support Vector Machine (SVM). Os resultados indicaram um ganho médio de 2% na acurácia da classificação, demonstrando que a seleção criteriosa de características contribui para reduzir redundâncias e aprimorar o desempenho dos classificadores. No segundo estudo, foram exploradas técnicas de aprendizado em conjunto, como Bagging e Soft Voting, aplicadas à combinação de modelos personalizados via otimização Bayesiana. As análises mostraram um aumento médio de 14,4% nos valores do índice Kappa médio (κm), métrica que avalia a concordância entre as predições do classificador e os rótulos reais, em relação aos modelos individuais. Entretanto, não foi observada significância estatística nos valores de zκ, indicando que os ganhos permaneceram sensíveis à variabilidade individual dos sinais de EEG. Em conjunto, os dois estudos configuram uma proposta de otimização em múltiplos estágios para sistemas de ICM, contribuindo para o desenvolvimento de soluções mais precisas, interpretáveis e adaptáveis, com potencial aplicação em contextos clínicos e assistivos.