Aprendizado profundo para interfaces cérebro-computador de baixo custo: um estudo comparativo em cenários de canal único

Abstract

As interfaces cérebro-computador (BCIs) têm potencial para ampliar aplicações em tecnologia assistiva, mas sua adoção é limitada pelo alto custo e complexidade de sistemas multicanal. Esta dissertação investiga a viabilidade técnica de decodificar imagética motora utilizando apenas um canal de EEG frontal, simulando o cenário restrito de dispositivos de consumo acessíveis como o NeuroSky MindWave 2 (eletrodo frontal único, seco). A viabilidade é tratada como evidência experimental de informação discriminativa e de custo computacional compatível com aplicações futuras, não como validação clínica ou embarcada definitiva. Foi realizado um benchmark comparativo entre métodos clássicos e 11 arquiteturas de aprendizado profundo (CNNs, variantes recorrentes com atenção, Transformer puro, EEG-GNN e Echo State Network), utilizando um dataset consolidado de 118 sujeitos a partir de PhysioNet MI (109) e BCI Competition IV 2a (9). Os métodos tradicionais baseados em covariância espacial ficaram próximos ao nível do acaso no cenário de canal único (51,97% de acurácia), enquanto redes neurais tornaram o sistema tecnicamente plausível: EEGConv (63,99%) e RNN+Attention (63,77%) lideraram, com o Transformer puro chegando a 62,51%. Como contribuição prática de suporte à experimentação, foi desenvolvido o sistema BrainSync, uma plataforma para EDA, execução de benchmarks, treinamento e testes em simulador 3D do modelo selecionado (descrita no Capítulo 7). Modelos em grafos (EEG-GNN) e reservatórios (ESN) superaram o baseline, mas ficaram em torno de 54?55%. A atenção apresentou ganho relevante apenas para RNNs (+7,7 p.p. sobre o RNN), ao passo que CNNs simples e bem regularizadas foram suficientes para extrair características locais. Conclui-se que, para BCIs de baixo custo, a extração robusta de características locais (CNNs) ou a seleção temporal via atenção em RNNs são as abordagens mais eficazes, superando modelos híbridos mais complexos.

Abstract: Brain-Computer Interfaces (BCIs) have the potential to expand assistive technology applications, but their adoption is limited by the high cost and complexity of multi-channel systems. This dissertation investigates the technical viability of decoding motor imagery using a single frontal EEG channel, simulating the constrained scenario of accessible consumer devices such as the NeuroSky MindWave 2 (single dry frontal electrode). Viability is treated as experimental evidence of discriminative information and computational cost compatible with future applications, not as definitive clinical or embedded validation. A comparative benchmark was conducted between classical methods and 11 deep learning architectures (CNNs, recurrent variants with attention, a pure Transformer, EEG-GNN, and Echo State Network), using a consolidated dataset of 118 subjects from PhysioNet MI (109) and BCI Competition IV 2a (9). Traditional methods based on spatial covariance failed in the single-channel scenario (51.97% accuracy), whereas neural networks made the system viable: EEGConv (63.99%) and RNN+Attention (63.77%) led, with the Transformer reaching 62.51%. As a practical contribution to support experimentation, the BrainSync system was developed: a platform for EDA, benchmark execution, training, and testing the selected model in a 3D simulation environment (Chapter 7). Graph-based (EEG-GNN) and reservoir-based (ESN) models surpassed the baseline but remained around 54?55%. Attention provided a relevant gain only for RNNs (+7.7 p.p. over the plain RNN), while well-regularized CNNs sufficed for local feature extraction. The study concludes that, for low-cost BCIs, robust local feature extraction (CNNs) or temporal selection via attention in RNNs are the most effective approaches, outperforming more complex hybrid models.