Brain-Machine Interfaces use brain signals for real-time control of various assisitve systems, such as alternative communication devices, upper-limb prostheses, exoskeletons, wheelchairs, etc. These approaches face intrinsic challenges, such as the removal of artifacts to extract reliable features in single-trial, especially when the cortical activity is measured by electroencephalography (EEG). In addition to the artifacts, another problem is the cortical response, since it presents variability between subjects and over time. Some studies have also shown that there is a statistically significant difference in cortical response between healthy subjects and Amyotrophic Lateral Sclerosis patients. In this way, computational models compare different models and identify which one best explains the cortical signal by EEG. However, developing experiments able to conclusively discriminate models is not trivial. However, developing experiments able to conclusively discriminate models is not trivial. Therefore, the hypothesis of this research is that the combined use of real-time artifact correction and an optimized adaptive system can provide more accurate and faster responses to cortical sensory perception through EEG data in online and single-trial analyses. There are some approaches to online artifact correction. Still, none is being used as a “gold-standard”, and no research has been conducted to analyze and compare their respective effects by employing inference-based decision, that is, the comparison of mathematical models that aim to explain the cortical dynamics due to some external event. Therefore, in the first part of this research, we evaluated methods for artifact correction and the necessary adjustments to implement them in single-trial for online electroencephalographic (EEG) analysis. We investigate the following methods: Artifact Subspace Reconstruction (ASR), Fully Online and automated artifact Removal for brain-Computer interfacing (FORCe), Empirical Model Decomposition online (EMD), and Independent Component Analysis online (ICA). For assessment, we simulate online data processing using real data from an oddball auditory task. We compare the above methods with a classical offline data processing, in their ability (i) to reveal a significant Mismatch Negativity (MMN) response to auditory stimuli; (ii) to reveal the more subtle modulation of the MMN by contextual changes (namely, the predictability of the sound sequence) and (iii) to identify the cortical process modeling of sensory perception most likely to explain the MMN response. Our results show that ASR and EMD are both able to reveal MMN and its modulation by predictability, and even appear more sensitive than the offline analysis when comparing alternative models of perception underlying auditory evoked responses. In the second part of this research, we specifically explore cortical modeling. Some studies propose the implementation of adaptive designs, which make it possible to distinguish between models faster and more accurately. However, to date, no study has explored hypothesis testing (model comparison) considering sensory perception computational modeling (MMN) to optimize real-time experimental designs based on single-trial EEG signals. Our results with simulated data showed that the hypothesis testing was able to conclude in favor of the model that generated the data. Besides, adaptive design showed better results than the classic design. The results with real data showed variability in the cortical response between subjects and also in terms of the experimental block (predictability in the sound sequence). The adaptive design showed more results in favor of alternative models, while the classic design, in favor of the null model. The combination of real-time artifact correction and adaptive design proved to be feasible to identify the computational model that best explains the cortical response in single-trial analysis of the EEG signal. These results are important for ICM applications as they can identify whether the subject is able to use the system and also to investigate changes in his cortical response over time.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorCNPq - Conselho Nacional de Desenvolvimento Científico e TecnológicoTese (Doutorado)As Interfaces Cérebro-Máquina utilizam sinais cerebrais para controlar em tempo real diversos mecanismos assistivos, como por exemplo, dispositivos de comunicação alternativa, próteses de membros superiores, exoesqueletos, cadeiras de rodas, entre outros. Estas abordagens enfrentam desafios intrínsecos ao sistema, como a remoção de artefatos para extração confiável de características corticais em single-trial, especialmente quando a atividade cortical é mensurada por eletroencefalografia (EEG). Além dos artefatos, outro problema na implementação de sistemas ICMs é a resposta cortical do usuário, uma vez que cada sujeito possui sua própria dinâmica cortical, que varia ao longo do tempo. Alguns estudos também mostraram que existem diferença estatística significativa na resposta cortical entre sujeitos saudáveis e pacientes com Esclerose Lateral Amiotrófica. Desta maneira, modelos computacionais visam comparar diferentes modelos e identificar qual deles melhor explica o sinal cortical por meio do EEG. Entretanto, desenvolver experimentos capazes de discriminar conclusivamente os modelos em análises não é trivial. Alguns estudos, utilizando dados simulados, mostraram a viabilidade de utilizar design adaptativos e otimizados para melhorar a comparação dos modelos computacionais. Portanto, a hipótese deste trabalho é que a utilização conjunta de correção de artefatos em tempo real e um sistema adaptativo e otimizado podem proporcionar respostas mais acuradas e rápidas sobre a resposta cortical por meio de dados reais de EEG em análises online e em single-trial. Existem alguns métodos para correção de artefatos online, mas nenhum deles está sendo utilizado como um “padrão ouro” e nenhuma pesquisa foi conduzida para analisar e comparar seus respectivos efeitos por meio de decisão baseada em inferência, ou seja, comparação de modelos matemáticos que visam explicar a dinâmica cortical em decorrência de algum evento. Portanto, na primeira parte do trabalho, avaliamos métodos para correção de artefatos e os ajustes necessários para implementá-los em single-trial para a análise online de EEG. Investigamos os seguintes métodos: Artifact Subspace Reconstruction (ASR), Fully Online and automated artifact Removal for brain-Computer interfacing (FORCe), Empirical Mode Decomposition (EMD) online, e Independent Component Analysis (ICA) online. Para avaliação, simulamos o processamento de dados online utilizando dados reais obtidos por meio de um paradigma oddball auditivo. Comparamos os métodos acima com um processamento de dados offline clássico, em sua capacidade (i) de revelar uma resposta significativa de Mismatch Negativity (MMN) aos estímulos auditivos; (ii) revelar a modulação mais sutil do MMN por mudanças contextuais (previsibilidade na sequência sonora) e (iii) identificar a modelagem do processo cortical de percepção sensorial mais provável de explicar a resposta MMN. Nossos resultados alcançados mostram que os métodos ASR e EMD são capazes de revelar a resposta MMN e sua modulação por previsibilidade, e até se mostram mais sensíveis que a análise offline na comparação dos modelos alternativos de percepção sensorial às respostas evocadas auditivas. Na segunda parte do trabalho, exploramos especificamente a modelagem cortical. Alguns estudos propõem a implementação de designs adaptativos, que possibilitam a distinção entre os modelos de forma mais rápida e acurada. Entretanto, até o presente momento, nenhum estudo explorou o teste de hipóteses (comparação dos modelos) considerando a modelagem computacional de percepção sensorial (MMN) para adaptar e otimizar o design experimental para aplicações em tempo real baseado em sinais reais de EEG em single-trial. Nossos resultados com dados simulados mostraram que o teste de hipóteses foi capaz de concluir em favor do modelo que gerou os dados. Além disso, o design adaptativo apresentou melhores resultados do que o design clássico. Os resultados com dados reais mostrou variabilidade na resposta cortical entre os sujeitos e também quanto ao bloco experimental (previsibilidade na sequência sonora). O design adaptativo mostrou mais resultados em favor dos modelos alternativos, enquanto o design clássico, em favor do modelo nulo. A combinação da correção de artefatos em tempo real e do design adaptativo mostrou ser viável para identificar o modelo computacional que melhor explica a resposta cortical em análise single-trial do sinal EEG. Estes resultados são importantes para aplicações de ICMs pois podem identificar se o sujeito é apto a utilizar o sistema e também para investigar as alterações de sua resposta cortical ao longo do tempo.