Resumo
Estetrabalhopropõeummétodoparamelhoraraseparabilidadedetarefasdeimaginaçãomotora (MI) em sinais de eletroencefalografia (EEG), por meio da seleção do conteúdo espectral. O métodoédesenvolvidoparaaclassificaçãonoespaçoRiemanniano,levandoemcontaanatureza dasmatrizesdecovariância(simétricasdefinidaspositivas,SPD).Apropostacentralconsisteem umalgoritmodeseleçãoadaptativadesub-bandasdefrequências. Ossinaissãoprojetadosem uma basesenoidal eponderados porfunções Gaussianas,realçando sub-bandascandidatas para aseleçãoadaptativanoespaçoRiemanniano. Éutilizadaamétricadedistintividadeentreclasses (classDis),permitindoavaliaraseparabilidadeentreclassesindependentementedoprocessode classificação. Oprocedimentoé aplicado aosdadosdoconjuntoBCICompetitionIV–Dataset 2a, abrangendo nove sujeitos em quatro tarefas motoras, a fim de avaliar o desempenho da seleçãopeloclassificadordeMínimaDistânciaàMédiaRiemanniana(MDRM).Osresultados indicam que a estratégia proposta é eficaz na identificação de regiões espectrais relevantes e na melhoria da separação entre padrões neurais de diferentes classes. Em comparações com abordagensdereferência,ametodologiaapresentouumamelhoranaacuráciadoclassificadore mitigoulimitaçõesobservadasemoutrosmétodos,especialmentenoqueserefereàdificuldade deselecionarfaixasdefrequêncianãoadjacentes