Publication:
Positive matrix factorization method for improving EEG motor imagery classification

dc.contributor.advisor Manian, Vidya
dc.contributor.author Huertas-Ávila, Raúl A.
dc.contributor.college College of Engineering en_US
dc.contributor.committee Hunt, Shawn D.
dc.contributor.committee Arzuaga, Emmanuel
dc.contributor.department Department of Electrical and Computer Engineering en_US
dc.contributor.representative Vasquez Urbano, Pedro
dc.date.accessioned 2018-09-14T19:57:27Z
dc.date.available 2018-09-14T19:57:27Z
dc.date.issued 2017-05
dc.description.abstract Brain Computer Interface (BCI) is a system that is designed to translate a subject’s thought into a signal that is interpreted by a device. A BCI provides a communication channel between the human brain and a computer, making possible different applications in the bio-engineering field. The Brain-Computer Interface field has been in constant improvement because of the development of applications for people in need. These systems, BCI systems, need to be user-friendly, manageable, efficient, and suited for people with disabilities or with any physical complication. Thus, this thesis is an effort to seek improvements for those applications, by experimenting Positive Matrix Factorization (PMF) for motor imagery classification. Motor imagery (MI) is a mental process by which a subject mentally simulates a given action. In other words, MI is the process by which a subject is thinking of moving a part of his/her body without moving it physically. Motor imagery classification is the process of classifying a subject’s mental simulations. Current methods rely on Common Spatial Pattern (CSP), which can be used for two-class motor imagery classification. The limitations with current methods are the high dimensionality of the EEG data that curtails extraction of discriminatory features for classification. The method presented in this thesis is an essential part of a functioning BCI system; it determines discriminative spectral features using the PMF method. These features are used to train the Support Vector Machine (SVM) classifier. The mentioned classifier is tested using 10-Fold Cross-Validation. Results using different numbers of feature vectors and different number of samples are presented. A complexity analysis of the PMF algorithm is presented. en_US
dc.description.abstract El sistema de Interface Cerebro-Computadora (BCI, por sus siglas en inglés) está diseñado para traducir las intenciones de un sujeto en una señal de control que es reconocida por un dispositivo. Un sistema de BCI provee un canal de comunicación entre el cerebro humano y una computadora, posibilitando diferentes aplicaciones en el campo de la bioingeniería. El campo de BCI está constante mejoramiento debido al desarrollo de aplicaciones para personas necesitadas. Los sistemas de BCI deben ser fáciles de utilizar, manejables, eficientes y apto para personas con discapacidades o cualquier complicación física. Por lo tanto, esta tesis es un esfuerzo para buscar mejoras para esas aplicaciones, mediante la experimentación del método Factorización Matricial Positiva (PMF, por sus siglas en inglés) para mejorar la clasificación de imágenes motrices de señales de electroencefalograma (EEG). La imaginación motriz es un proceso mental en el que un sujeto simula mentalmente una acción. En otras palabras, es el proceso mediante el cual un sujeto está pensando en mover una parte de su cuerpo sin moverla físicamente. La clasificación de imágenes motrices es el proceso de clasificar las simulaciones mentales de un sujeto. Los métodos actuales se basan en el Patrón Espacial Común (CSP, por sus siglas en inglés), el cual puede ser utilizado para clasificar dos clases o grupos de imágenes motoras. Las limitaciones con los métodos actuales son la alta dimensionalidad de los datos que restringe la extracción de rasgos discriminatorios para el proceso de clasificación. El método presentado en esta tesis es una parte iv esencial del funcionamiento del sistema de BCI; determina la extracción de características discriminatorias utilizando el método de PMF. Estas características se utilizan para entrenar el clasificador SVM (Support Vector Machine, por sus siglas en inglés). El clasificador mencionado es probado mediante Validación Cruzada de 10 plegados. Se presentan resultados utilizando diferentes números de vectores de características y diferentes números de muestras. Un análisis de complejidad computacional del algoritmo de PMF también es presentado. en_US
dc.description.graduationSemester Spring en_US
dc.description.graduationYear 2017 en_US
dc.identifier.uri https://hdl.handle.net/20.500.11801/913
dc.language.iso en en_US
dc.rights.holder (c) 2017 Raúl A. Huertas Ávila en_US
dc.rights.license All rights reserved en_US
dc.subject Electroencephalography en_US
dc.subject Matrix factorization en_US
dc.subject.lcsh Electroencephalography en_US
dc.subject.lcsh Brain-computer interfaces en_US
dc.subject.lcsh Wavelets (Mathematics) en_US
dc.subject.lcsh Support vector machines en_US
dc.title Positive matrix factorization method for improving EEG motor imagery classification en_US
dc.type Thesis en_US
dspace.entity.type Publication
thesis.degree.discipline Electrical Engineering en_US
thesis.degree.level M.S. en_US
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
INEL-HuertasavilaRA_2017.pdf
Size:
1.66 MB
Format:
Adobe Portable Document Format
Description:
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.64 KB
Format:
Item-specific license agreed upon to submission
Description: