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
| dc.contributor.advisor1 | SILVA, Cleison Daniel | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/1445401605385329 | |
| dc.contributor.advisor1ORCID | https://orcid.org/0000-0001-8280-2928 | |
| dc.creator | DOURADO, Guilherme da Costa | |
| dc.creator.Lattes | http://lattes.cnpq.br/4695105643069589 | |
| dc.creator.ORCID | https://orcid.org/0009-0003-4455-2579 | |
| dc.date.accessioned | 2026-06-30T14:22:01Z | |
| dc.date.available | 2026-06-30T14:22:01Z | |
| dc.date.issued | 2026-05-26 | |
| dc.description.abstract | This undergraduate thesis addresses the study and optimization of Motor Imagery (MI) based Brain-Computer Interface (BCI) systems, focusing on improving the accuracy and robustness of classifiers applied to Electroencephalography (EEG) signals. The work is divided into two complementary studies, both using the public dataset 2a from the IV BCI Competition. In the first study, the impact of feature selection on the performance of MI-BCI systems was investigated. The methodology included sub-band filtering, application of the Common Spatial Pattern (CSP) method for feature vector generation, and feature selection using the Least Absolute Shrinkage and Selection Operator (LASSO) and SelectKBest algorithms, followed by classification with Support Vector Machine (SVM). The results indicated an average gain of 2% in classification accuracy, demonstrating that careful feature selection contributes to reducing redundancies and improving classifier performance. In the second study, ensemble learning techniques such as Bagging and Soft Voting were explored, applied to the combination of personalized models through Bayesian optimization. The analyses showed an average increase of 14.4% in the mean Kappa index (κm), a metric that evaluates the agreement between classifier predictions and true labels, compared to individual models. However, no statistical significance was observed in the values of zκ, indicating that the gains remained sensitive to the individual variability of EEG signals. Together, the two studies constitute a multi-stage optimization approach for BCI systems, contributing to the development of more accurate, interpretable, and adaptable solutions, with potential applications in clinical and assistive contexts. | |
| dc.description.resumo | 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. | |
| dc.identifier.citation | DOURADO, Guilherme da Costa. 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. Orientador: Cleison Daniel Silva. 2026. 32 f. Trabalho de Curso (Bacharelado em Engenharia Elétrica) – Faculdade de Engenharia Elétrica, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2026. Disponível em: https://bdm.ufpa.br/handle/prefix/9667. Acesso em:. | |
| dc.identifier.uri | https://bdm.ufpa.br/handle/prefix/9667 | |
| dc.rights | Acesso Aberto | pt_BR |
| dc.source.uri | Disponível na internet via Sagitta | pt_BR |
| dc.subject | Interfaces cérebro-máquina | |
| dc.subject | Imagética motora | |
| dc.subject | Seleção de features | |
| dc.subject | Otimização bayesiana | |
| dc.subject | Aprendizado em conjunto | |
| dc.subject | Brain-computer interface | |
| dc.subject | Motor imagery | |
| dc.subject | Feature selection | |
| dc.subject | Bayesian optimization | |
| dc.subject | Ensemble learning | |
| dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | |
| dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA::BIOENGENHARIA::PROCESSAMENTO DE SINAIS BIOLOGICOS | |
| dc.title | 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 | |
| dc.type | Trabalho de Curso - Graduação - Monografia | pt_BR |