O reconhecimento de dígitos escritos com os olhos apresenta um método de comunicação alternativo promissor para indivíduos afetados pela esclerose lateral amiotrófica. No entanto, o desenvolvimento de modelos robustos nessa área é limitado pela disponibilidade de conjuntos de dados, devido ao procedimento complexo e instável de coleta de amostras escritas com os olhos. Trabalhos anteriores propuseram tanto técnicas convencionais quanto redes neurais profundas para classificar dígitos escritos com os olhos, alcançando precisão moderada a alta com variabilidade entre execuções. Neste estudo, exploramos o potencial do aprendizado de máquina quântico, apresentando um modelo híbrido quântico-clássico que integra um circuito quântico variacional em uma arquitetura clássica de rede neural profunda. Embora os modelos clássicos já alcancem um desempenho forte, este trabalho examina o potencial de modelos aprimorados por quantum para alcançar tal desempenho com menos parâmetros e maior capacidade expressiva. Para melhorar ainda mais a robustez e a estabilidade, empregamos uma estratégia de ensemble que agrega previsões de várias instâncias treinadas do modelo híbrido. Este estudo serve como uma prova de conceito para avaliar a viabilidade de incorporar um circuito quântico compacto de 4 qubits dentro de um modelo híbrido leve. O modelo proposto alcança 98,52% de precisão com um desvio padrão de 1,99, apoiando o potencial de combinar computação quântica e clássica para tecnologias de comunicação assistiva e incentivando mais pesquisas na interpretação de biosinais quânticos e na interação humano-computador.
Pov et al. (Qua,) estudaram essa questão.