Rede neural artificial para detecção do estado ocular usando sinal de EEG

Este trabalho aborda a aplicação de redes neurais artificiais na detecção do estado ocular através do sinal de Eletroencefalograma (EEG). O objetivo foi descrever a neurofisiologia, bem como o funcionamento de um sistema de interface cérebro-computador, utilizando uma Rede Neural do tipo Perceptron de Múltiplas Camadas (MLP - Multi Layer Perceptron) para prever o estado ocular, distinguindo entre olhos abertos e fechados com base nos sinais de EEG. Para isso, empregou-se uma base de dados contendo leituras de 2 minutos de EEG obtidas em diferentes experimentos nos quais os participantes mantiveram os olhos fechados e abertos. Posteriormente, esses dados foram tratados, tabulados estatisticamente e visualizados em gráficos utilizando a linguagem de programação Python para facilitar a interpretação. O desenvolvimento da Rede Neural foi realizado em linguagem de programação no Python, utilizando as bibliotecas Scikit-learn, TensorFlow e NumPy. A arquitetura da rede MLP consistiu em 5 neurônios na camada de entrada, 2 camadas ocultas (a primeira com 20 neurônios e a segunda com 35 neurônios) e foi treinada ao longo de 100 épocas. Como resultado o modelo alcançou uma acurácia de 94,77%, validando efetivamente a rede neural artificial na classificação do estado ocular. Ao examinar a matriz de confusão, destacam-se os verdadeiros positivos (TP) e verdadeiros negativos (TN), registrando 6822 casos corretamente identificados para olhos fechados e 6825 para olhos abertos. Contudo, houve 453 casos em que o modelo previu erroneamente que os olhos estavam fechados quando estavam abertos, e vice-versa, em 300 ocasiões. Consequentemente, a pesquisa confirmou a eficácia do modelo por meio de métricas como acurácia e análise da Matriz de Confusão. No entanto, essa análise não exaure as oportunidades de aplicar métodos adicionais para explorar diferentes abordagens de validação do modelo proposto. Valendo ainda ressaltar que muitas vezes, compreender os resultados obtidos e buscar uma arquitetura mais eficaz para a resolução do problema proposto tornar-se desafiador.