| Summary: | In the field of Brain-Computer Interfaces (BCI) there is a problem called the inter-session problem, generally causing a decrease in classification performance between sessions. This study investigates the extent of this problem in Electrocorticographic (ECoG) data, and how it may be approached using classification and feature selection algorithms. The focus regarding classification is whether linear or nonlinear classification methods generalizes better, and the focus of feature selection is whether filter or wrapper methods improve generalization more. These questions are answered by empirical experiments on two sets of ECoG data collected over two different sessions. The inter-session problem in ECoG data proved to be of considerable size. Classification performance dropped from 78-91% on the training data set (using cross validation) to 70-80% on the tests. Better normalizations and scaling methods were deemed necessary to help reduce this drop. The results were inconclusive as to linear or nonlinear classifier generalization, since performance was nearly identical. Due to their simplicity, linear methods would be preferable in this case. As to feature selection, the risks of overfitting became apparent using Simulated Annealing (SA) wrapper methods. Simpler feature selection algorithms that were less prone to overfitting, both filter and wrapper methods, helped to improve generalization more. === Inom området Brain-Computer Interfaces (BCI) finns ett problem som kallas inter-sessionsproblemet, som vanligtvis orsakar en försämring av klassifieringsprestandan mellan sessioner. Denna studie undersöker problemets omfattning med ECoG ( Electrocorticography) data, och hur det kan hanteras med klassificerings och särdragsurvalsalgoritmer (en. feature selection). Fokus rörande klassifiering är hurvida linjära eller icke-linjära klassifieringsmetoder generaliserar bättre, och fokus rörande särdragsurval är hurvida metoder av typen filter eller wrapper förbättrar generalisering mer. Dessa frågor besvaras genom empiriska experiment av två datamängder ECoG data insamlad från två olika sessioner. Inter-sessionsproblemet med ECoG data visade sig vara av betydande storlek. Klassificeringsprestandan försämrades från 78-91% på träningsdatan (med korsvalidering) till 70-80% på testerna. Bättre normaliserings- och skalningsmetoder anses nödvändiga för att reducera försämringen. Hurvida linjära eller icke-linjära klassifierare generaliserade bättre var resultaten inte entydiga, då prestandan var nästan densamma. I detta fall föredras linjära klassifierare, på grund av deras enkelhet. Gällande särdragsurval uppenbarade sig riskerna för överinlärning under användningen av Simulated Annealing. Enklare särdragsurvalsmetoder som var mindre benägna att överinlära, både filter och wrappermetoder, förbättrade generaliseringen mer.
|
|---|
