Banca de DEFESA: GIOVANNA GOUVEA SPURI DE MIRANDA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: GIOVANNA GOUVEA SPURI DE MIRANDA
DATA: 27/02/2026
HORA: 14:00
LOCAL: Google Meeting (https://meet.google.com/umk-ztkj-kqj)
TÍTULO:

CONTROLE DE CADEIRA DE RODAS POR SINAIS DE ELETROENCEFALOGRAMA UTILIZANDO TÉCNICAS DE APRENDIZADO DE MÁQUINA

PALAVRAS-CHAVES:

Cadeira de Rodas; Sinais Miolétricos; Eletroencefalograma; Algoritmos Inteligentes; Interface cérebro-computador (BCI)

PÁGINAS: 182
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
SUBÁREA: Medidas Elétricas, Magnéticas e Eletrônicas; Instrumentação
ESPECIALIDADE: Instrumentação Eletrônica
RESUMO:

Este trabalho investigou a classificação de sinais de eletroencefalografia (EEG) de imagética motora do Projeto Milo para aplicações em interfaces cérebro–computador, comparando duas estratégias de decisão: (i) uma arquitetura plana multiclasse (Repouso, Esquerda e Direita) e (ii) uma arquitetura em cascata composta por duas etapas (Repouso × Movimento e, condicionado a Movimento, Esquerda × Direita). O pipeline experimental adotou divisão em nível de sessão para mitigação de vazamento de dados (treinamento 55%, validação 20% e teste 25%), pré-processamento temporal com remoção de tendência linear e filtragem, seguido de egmentação em janelas de 2 s (500 amostras a 250 Hz). A extração de características baseou-se em geometria iemanniana, incluindo a estimativa de matrizes de covariância regularizadas, o cálculo da média log-euclidiana exclusivamente no conjunto de treinamento e a projeção no espaço tangente, com posterior remoção de redundância e seleção univariada de atributos. O desbalanceamento entre classes foi tratado apenas no conjunto de treinamento, avaliando-se técnicas de reamostragem como Random Over-Sampling e Random under-Sampling, Synthetic Minority Over-sampling Technique (SMOTE), Borderline Synthetic Minority Over-sampling Technique, Adaptive Synthetic Sampling (ADASYN), Tomek Links, Edited Nearest Neighbors (ENN), NearMiss e abordagens híbridas, como Synthetic Minority Over-sampling Technique combined with Tomek Links e Synthetic Minority Over-sampling Technique combined with Edited Nearest Neighbors. Foram treinados e comparados os classificadores Multilayer Perceptron (MLP), Support Vector Machine (SVM), Random Forest, extra Trees, Gradient Boosting, Extreme Gradient Boosting (XGBoost) e um comitê por votação suave, com otimização de hiperparâmetros via random search (100 iterações) e validação cruzada estratificada em cinco dobras, adotando-se o F1macro como critério principal, além da estimativa de intervalos de confiança de 95% por bootstrap. A melhor solução global em métricas baseadas em rótulo foi obtida na arquitetura plana com SVM e SMOTE-ENN (kernel RBF,C =0, 1, γ =10−4, ponderação balanceada e 13 atributos), alcançando acurácia de 0,826±0, 013, acurácia balanceada de 0,825±0,013, F1macro = 0,822±0,014 e MCC = 0,748±0,019; na arquitetura em cascata, o melhor desempenho foi obtido pelo modelo Extra Trees com SMOTE (F1macro = 0,796±0, 015), porém inferior ao melhor cenário plano segundo o critério de otimização adotado.

MEMBROS DA BANCA:
Presidente - WILIAN SOARES LACERDA (Membro)
Externo à Instituição - THIAGO DE SOUZA RODRIGUES - CEFET/MG (Suplente)
Interno - HENRIQUE LUIS MOREIRA MONTEIRO (Membro)
Externo à Instituição - CRISTIANO LEITE DE CASTRO - UFMG (Membro)
Interno - BRUNO HENRIQUE GROENNER BARBOSA (Suplente)