Um esquema completo para classificação multicaracter usando sinais EEG de imagem de fala

Alguns estudos de classificação de interface cérebro-máquina (BCI) com base em imagens de fala mostram potencial para melhorar as habilidades de comunicação em pacientes com Esclerose Lateral Amiotrófica (ELA). No entanto, a pesquisa atual sobre imagens de fala é limitada em escopo e foca principalmente em vogais ou algumas palavras selecionadas. Neste artigo, propomos um esquema de pesquisa completo para classificação multicaracter com base em sinais EEG derivados de imagens de fala. Primeiramente, registramos 31 conteúdos de imagem de fala, incluindo 26 alfabetos e 5 sinais de pontuação comumente usados, de sete sujeitos usando um dispositivo de eletroencefalograma (EEG) de 32 canais. Em segundo lugar, introduzimos a transformação de dispersão de wavelet (WST), que compartilha uma semelhança estrutural com Redes Neurais Convolucionais (CNNs), para extração de características. A WST é uma técnica orientada ao conhecimento que preserva informações de alta frequência e mantém a estabilidade de deformação dos sinais EEG. Para reduzir a dimensionalidade das características dos coeficientes de dispersão de wavelet, empregamos a Análise de Componentes Principais de Kernel (KPCA). Finalmente, as características reduzidas são alimentadas em um classificador de Aumento de Gradiente Extremo (XGBoost) dentro de uma estrutura de multiclasse. O classificador XGBoost é otimizado por meio de ajuste de hiperparâmetros usando busca em grade e validação cruzada de 10 vezes, resultando em uma precisão média de 78,73% para a tarefa de classificação multicaracter. Utilizamos a tecnologia de Embedding Estocástico de Vizinhos Distribuídos (t-SNE) para visualizar a representação de baixa dimensão da imagem de fala multicaracter. Essa visualização nos permite observar efetivamente o agrupamento de caracteres semelhantes. Os resultados experimentais demonstram a eficácia do nosso esquema de classificação multicaracter proposto. Além disso, nossas categorias de classificação e precisão excedem aquelas reportadas em pesquisas existentes.