A rede neural SOM foi selecionada nesta Tese de Doutorado como classificador para a geração de saídas para a Interface Cérebro–Computador implementada. A escolha desta arquitetura se deve à característica da rede SOM de organizar-se de acordo com as características apresentadas em sua entrada durante o treinamento, formando grupos nas saídas que podem ser associados a classes (KOHONEN,2001;VESANTO; ALHONIEMI,
2000). Estes grupos possuem uma dependência dos valores de inicialização da rede no momento de sua criação, antes do início do treinamento da rede. Assim como forma de reduzir a dependência dos valores iniciais, as redes foram criadas utilizando os mesmos valores para diferentes sujeitos.
Pode-se atualizar a rede SOM de tempos em tempos para que a mesma atualize-se aos padrões gerados pelo sujeito. Sabe-se que os padrões de ativação do córtex cerebral se alteram constantemente, sendo que as ICCs devem se adaptar de forma muito similar à adaptação sensorial que ocorre quando os impulsos nervosos seguem os caminhos naturais de retroalimentação sensorial (WOLPAW et al., 2000; LEBEDEV; NICOLELIS, 2006;
GANGULY; CARMENA, 2009; ALONSO; VELLASCO, 2016). Esta característica pode ser utilizada conjuntamente com a rede SOM para gerar novas saídas e ampliar as funções do sistema, ou melhorar as funções predefinidas através do remapeamento das saídas do sistema a essas novas funções utilizando algum tipo de realimentação.
A saída da rede SOM representa a saída de todos os neurônios, podendo-se eti- quetar os neurônios com a probabilidade de pertencer a uma ou outra classe do grupo de dados de treinamento e, desta forma, avaliar se a ativação do neurônio caracteriza a ativação de uma determinada classe ou outra, visto que um mesmo neurônio pode ser ativado em mais de uma classe. A identificação das classes é feita através do uso de um conjunto de máscaras de classificação geradas durante a etapa de treinamento, com base nas tarefas propostas. O método usado para a criação das máscaras é apresentado na seção 4.3.1.
4.3.1
Criação e interpretação das máscaras de classificação das saídas da rede
SOM
A rede SOM possui uma arquitetura similar à estrutura do córtex cerebral (KOHO- NEN, 2001; HAGAN et al., 2014) Desta forma, não possui uma saída única para cada classe como as redes MLP ou LVQ. Entretanto, a saída da rede precisa ser interpretada de alguma forma para gerar as saídas classificadas com base na capacidade de generalização da rede. Uma das formas de classificação da informação gerada pela rede SOM é a imple- mentação de uma rede similar à LVQ, ou seja, uma rede neural MLP classificando a saída da rede SOM. Foram feitos alguns testes com a rede LVQ e esta apresentou resultados similares ao resultado do algoritmo desenvolvido com o uso de redes SOM e máscaras de classificação, porém, com um custo computacional maior, principalmente na etapa de treinamento. Por este motivo não foram adicionados aqui.
A geração das máscaras de classificação é realizada em conjunto com o treinamento da rede e utilizando os dados do conjunto de treinamento. Durante o treinamento da rede, os dados são apresentados a esta por um número de trechos (épocas ou epochs) suficientes para que a rede forme os grupos nas saídas a partir das informações dos dados. Este treinamento é realizado de forma não supervisionada, e o número de épocas é definido a partir de testes empíricos realizados com as redes. Nestes testes, que sempre utilizavam a mesma rede como ponto de partida para minimizar os efeitos da inicialização, observou- se que a partir de 100 repetições ou épocas, as disposições dos valores de saída não se alteravam, então utilizou-se este número como valor padrão para o treinamento das redes. Após o treinamento da rede, os mesmos dados utilizados no treinamento foram apresentados a esta e as saídas foram observadas. Como os dados de treinamento foram rotulados durante a captura destes de acordo com a tarefa mental a ser realizada, associou- se cada neurônio a uma classe, para uma amostra. Repetindo-se este processo para todas as amostras e somando a quantidade de vezes que cada saída da rede foi ativada para cada classe, é possível formar um mapa de ativações que dá também a informação de qual saída foi mais ativa para uma determinada classe. Repetindo-se este processo para cada uma das três classes obtêm-se três máscaras que representam a quantidade de vezes que cada neurônio foi ativado para cada uma das máscaras. Dividindo-se as máscaras assim geradas pelo número de ativações de cada máscara, obtém-se a máscara de probabilidade de ativação para cada neurônio. Como existe a possibilidade de que um neurônio esteja ativo em mais de uma tarefa mental, este paradigma de máscaras de probabilidade representa uma melhoria em relação ao uso de máscaras fixas, onde cada neurônio representa uma única classe.
Para o sistema implementado, com três classes diferentes, o conjunto de máscaras é formado por três conjuntos de valores que representam a probabilidade de que cada neurônio pertença a uma classe. A geração da saída ocorre da análise das probabilidades
representadas nas máscaras, de forma que a cada saída da rede os valores das probabili- dades associadas ao neurônio ativo da rede naquele momento são verificadas. A máscara que possuir a maior probabilidade será a máscara vencedora, caracterizando a classe à qual pertence a entrada naquele instante.
Para reduzir a variabilidade na classificação, foi implementada uma técnica de reclassificação utilizando-se as saídas da rede nas últimas 4 a 6 classificações anteriores, dependendo do usuário e, assumindo-se que as classificações da rede são eventos indepen- dentes, a saída será a que apresentar maior probabilidade conjunta dada pelo produto das probabilidades observadas nos eventos de classificação anteriores.