Classifying responses to imagined movements in scalp and intracranial EEG for a Brain Computer Interface
Brain Computer Interfaces (BCI) are based on the analysis of electrical brain signals to produce an accurate identification of a subject's desired action. A 3-class Meta-classification BCI system that allows the classification of different movements or their...
Main Author: | |
---|---|
Other Authors: | |
Format: | Others |
Language: | en |
Published: |
McGill University
2008
|
Subjects: | |
Online Access: | http://digitool.Library.McGill.CA:80/R/?func=dbin-jump-full&object_id=19274 |
Summary: | Brain Computer Interfaces (BCI) are based on the analysis of electrical brain signals to produce an accurate identification of a subject's desired action. A 3-class Meta-classification BCI system that allows the classification of different movements or their imagination was developed. It is suitable for signals obtained by scalp and intracranial recordings. The classification was done in several steps. The first consisted in single-feature classification of each class against the others. This was followed by the selection of the most relevant classifiers and of a method to combine them. The analysis of the different physiological features involved in motor imagery provided the information to tailor the system in a subject-specific way. Meta-classification ensured a more robust performance than single-feature classification, since it takes advantage of the complementarity provided by the different features. A global accuracy of 68.3% was obtained for motor imagery task and 88.4% for real movement tasks. === Les interfaces cerveau-ordinateur (ICO) sont basées sur l'analyse de l'activité électrique cérébrale afin d'identifier précisément l'action qu'un sujet désire effectuer. Un système ICO utilisant une méta-classification a été développé afin de détecter 3 types de mouvements ou leur imagination. Ce système peut être appliqué aux signaux provenant d'enregistrements de surface ou intracraniaux. La classification s'effectue en plusieurs étapes. La première consiste en l'évaluation des paramètres individuels de chaque type de tâches par rapport aux autres. Elle est suivie par la sélection des classificateurs les plus appropriés et d'une méthode afin de les combiner. L'analyse des différents paramètres physiologiques impliqués dans l'imagination de mouvements permet d'ajuster le système spécifiquement pour chaque sujet. La méta-classification assure une performance plus robuste que la classification de paramètres individuels, puisqu'elle profite de la complémentarité des différents paramètres. Une précision globale de 68.3% a été obtenue pour l'imagination de mouvements et 88.4% pour des mouvements réels. |
---|