Publication:
Motor imagery classification using single-channel eeg signals for brain computer interfaces
Motor imagery classification using single-channel eeg signals for brain computer interfaces
Authors
Camacho-Rosa, Jaime J.
Embargoed Until
Advisor
Manian, Vidya
College
College of Engineering
Department
Department of Electrical and Computer Engineering
Degree Level
M.S.
Publisher
Date
2018
Abstract
Brain Computer Interface (BCI) systems based on motor imagery are systems designed to communicate between a device and a subject through electroencephalogram (EEG) signals by performing an imaginary task, in this case movement of right and left hand. Traditionally, EEG data acquisition has been done utilizing any number of electrodes from 8 to 32 or 64 placed over the scalp. This results in a large amount of data, consequently entails intensive computational algorithms. With the advance of technology and the drive for data to be more manageable and portable without losing efficiency, a Single-channel BCI system is proposed. There has not been many studies with motor imagery classification of EEG signals using a single channel. This thesis will evaluate the performance of several methods for feature extraction, feature selection and classification algorithm to deal with the varying statistical properties in EEG signals during trials, tasks, recordings and, sessions that often leads to deteriorated BCI performance. The performances will be evaluated with binary motor imagery EEG signals recorded in the laboratory. First, a time-frequency decomposition of the signal is performed and texture descriptors such as correlation, energy, contrast, homogeneity and dissimilarity are calculated from the GLCM matrices for each spectrogram sub-band. Another method for feature extraction is Common Spatial Pattern (CSP) which is used to discriminate between the two binary motor imagery classes. The texture descriptors and CSP transform are used to train the Support Vector Machine (SVM) and Logistic Regression classifier. These methods are tested using 10-fold cross-validation to test performance of the BCI system. The stimuli presentations and feedback from the system are implemented in Python and integrated with OpenViBe to implement BCI system in real-time.
Los sistemas de Interfaz de Cerebro-Computadora Cerebral (BCI) basados en visualización motora son sistemas diseñados para comunicarse entre un dispositivo y un sujeto a través de señales de electroencefalograma (EEG) realizando una tarea imaginaria, en este caso movimiento de mano derecha e izquierda. Tradicionalmente, la adquisición de datos EEG se ha hecho utilizando cualquier número de electrodos, desde 8 a 32 hasta 64, colocados sobre el cuero cabelludo. Esto da como resultado una gran cantidad de data, por lo que implicaría extensa computación de algoritmos. Con los avances de la tecnología y la motivación de ser más manejable y portátil sin perder eficiencia, un sistema BCI de un solo canal se ha propuesto. No ha habido muchos estudios con en clasificación de visualizaciones motoras en señales de EEG utilizando un solo canal. Esta tesis evaluará el desempeño de varios métodos de extracción de características, selección de características y algoritmos de clasificación para lidiar propiedades estadísticas que varían en las señales de EEG, durante las sesiones grabadas de las pruebas, tareas, grabaciones y sesiones que a menudo conduce a un deterioro del rendimiento del BCI. Los desempeños se evaluarán con visualizaciones motoras binarias de señales de EEG grabadas en el laboratorio. En primer lugar, se realiza una descomposición de tiempo-frecuencia de la señal y se calculan los descriptores de textura tales como correlación, energía, contraste, homogeneidad y disimilitud, a partir de las matrices GLCM para cada sub-banda del espectrograma. Otro método para la extracción de características es el Patrón Espacial Común (CSP), el cual se utiliza para discriminar entre las dos clases binarias. Los descriptores de textura y la transformación de CSP son utilizados para entrenar los clasificadores Maquinas de Soporte Vectorial (SVM) y Regresión Logística. Estos métodos son comprobados utilizando una validación cruzada de 10 plegados para probar el rendimiento del sistema BCI. Las presentaciones de estímulos y la retroalimentación del sistema son implementadas en Python e integradas con OpenViBE para implementar el sistema BCI en tiempo real.
Los sistemas de Interfaz de Cerebro-Computadora Cerebral (BCI) basados en visualización motora son sistemas diseñados para comunicarse entre un dispositivo y un sujeto a través de señales de electroencefalograma (EEG) realizando una tarea imaginaria, en este caso movimiento de mano derecha e izquierda. Tradicionalmente, la adquisición de datos EEG se ha hecho utilizando cualquier número de electrodos, desde 8 a 32 hasta 64, colocados sobre el cuero cabelludo. Esto da como resultado una gran cantidad de data, por lo que implicaría extensa computación de algoritmos. Con los avances de la tecnología y la motivación de ser más manejable y portátil sin perder eficiencia, un sistema BCI de un solo canal se ha propuesto. No ha habido muchos estudios con en clasificación de visualizaciones motoras en señales de EEG utilizando un solo canal. Esta tesis evaluará el desempeño de varios métodos de extracción de características, selección de características y algoritmos de clasificación para lidiar propiedades estadísticas que varían en las señales de EEG, durante las sesiones grabadas de las pruebas, tareas, grabaciones y sesiones que a menudo conduce a un deterioro del rendimiento del BCI. Los desempeños se evaluarán con visualizaciones motoras binarias de señales de EEG grabadas en el laboratorio. En primer lugar, se realiza una descomposición de tiempo-frecuencia de la señal y se calculan los descriptores de textura tales como correlación, energía, contraste, homogeneidad y disimilitud, a partir de las matrices GLCM para cada sub-banda del espectrograma. Otro método para la extracción de características es el Patrón Espacial Común (CSP), el cual se utiliza para discriminar entre las dos clases binarias. Los descriptores de textura y la transformación de CSP son utilizados para entrenar los clasificadores Maquinas de Soporte Vectorial (SVM) y Regresión Logística. Estos métodos son comprobados utilizando una validación cruzada de 10 plegados para probar el rendimiento del sistema BCI. Las presentaciones de estímulos y la retroalimentación del sistema son implementadas en Python e integradas con OpenViBE para implementar el sistema BCI en tiempo real.
Keywords
Brain Computer Interface,
Electroencephalogram,
Time-frequency,
GLCM matrices
Electroencephalogram,
Time-frequency,
GLCM matrices
Usage Rights
Persistent URL
Cite
Camacho-Rosa, J. J. (2018). Motor imagery classification using single-channel eeg signals for brain computer interfaces [Thesis]. Retrieved from https://hdl.handle.net/20.500.11801/1696