Programação genética para Classificação Interpretável e de Alto Desempenho de Sinais EEG

Abstract

Sinais de Eletroencefalograma (EEG) são essenciais para diagnosticar condições neurológicas, como epilepsia e distúrbios do sono, pois representam graficamente a atividade cerebral de um indivíduo em tempo real. Contudo, a complexidade desses sinais, caracterizada pela alta variabilidade inter e intra-sujeitos, covariância espacial e temporal, além de sua natureza não estacionária, dificulta a extração de atributos discriminativos e compromete a generalização dos modelos de Aprendizado de Máquina (AM). Neste estudo, propomos o Genetic Programming-Based Feature Selection and Construction (GP-FeSCo), um framework baseado em Programação Genética (PG) para a engenharia automatizada de atributos em sinais de EEG. O GP-FeSCo permite a construção e seleção evolutiva de atributos, adaptando representações complexas ao contexto específico de cada tarefa, melhorando o desempenho e a interpretabilidade dos modelos de classificação tradicionais. Para garantir avaliações robustas e alinhadas com cenários do mundo real, adotamos a validação cruzada Leave-One-Subject-Out (LOSO), que simula a aplicação prática ao testar os modelos exclusivamente em sujeitos não vistos anteriormente, reduzindo vieses associados à segmentação tradicional dos dados. Realizamos experimentos em três problemas de classificação de sinais de EEG: Identificação de Fusos do Sono, Detecção de Alcoolismo e Classificação de Imagética Motora, utilizando cinco conjuntos de atributos amplamente citados na literatura. O desempenho dos atributos gerados pela PG foi avaliado, assim como a convergência da função fitnees das populações e a complexidade dos modelos gerados. Os resultados mostram que os atributos construídos pelo GP-FeSCo não apenas melhoraram o desempenho dos classificadores em F1-score, mas também possibilitaram a redução no número de atributos necessários para a classificação, sem aumento de overfitting. Além disso, a análise da frequência de seleção de atributos evidenciou os canais de EEG mais relevantes para cada tarefa, contribuindo para otimizar futuras aquisições de sinais, tornando-as mais eficientes e acessíveis.