En jämförelse analys av linjära och icke-linjära klassificerings metoder LDA och QDA för hjärn-dator gränssnitt

• Main Authors: Abdihakim, Ali, Chikmamat, Daniel
• Format: Others
• Language: Swedish
• Published: KTH, Skolan för teknikvetenskap (SCI) 2019
• Subjects: Engineering and Technology; Teknik och teknologier
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-254723

Hjärn-dator gränssnitt (BCI) är system, kommunikationsvägar som gör det möjligt för användare att interagera med externa enheter utan att förlita sig på kroppsrörelser. Denna växelverkan mellan människa och maskin är möjlig genom att tillåta systemåtkomst för att läsa hjärnans elektriska aktivitet, ofta via elektroencefalogram (EEG). Uppgifterna används därefter som träningsmaterial för att lära BCI att kartlägga och förutsäga selektiva hjärnmönster till vissa kommandon. Huvudmålet i denna projekt är att undersöka noggrannheten av två klassificerings metoder, linear discriminant analysis (LDA ) och quadratic discriminant analysis (QDA) från två aspekter, crosss- validation och cross-subject generalization. För projekten togs data som bestod av 30 subjekt, två sessioner för en binär klassificerings uppgift, det vill säga stängning av höger / vänster hand. Resultatet visar att noggranheten hos klassificeringserna LDA och QDA är relativt lika. Noggrannheten definieras som antalet korrekt klassificerade uppgifter i förhållande till antalet klasser. För resultatet användes one-way Analysis of Variance (ANOVA), med noll-hypotes att medelvärdes noggranheten är densamma för LDA och QDA. Medelvärdesresultatet för cross-validation var mellan 57-59%. För cross-subject-generalization var medelvärdes noggranheten var mellan 49-51%. Båda klassificerars noggranhet var nära och noll-hypotesen kunde inte förkastas. Dock finns det skillnader i prestanda vid jämförelse med ett-subjekt cross-validation och cross-subject generalisering. Studien diskuterar ytterligare faktorer som ger upphov till dessa resultat t.ex klassificeringsmodeller, LDA vs QDA, subjekterna och andra faktorer.   === Brain-computer interfaces (BCIs) are systems, communication pathways that enables users to interact with exterior devices without relying on bodily movements. This interaction between human and machine is possible by allowing the system access to read the brains electrical activity, often via electroencephalograms (EEG). The data is afterwards utilized as training sets to teach the BCI to map and predict selective brain patterns to certain commands. This papers main aim is to investigate the accuracy of two classification methods, linear discriminant analysis (LDA) and quadratic discriminant analysis (QDA) from two aspects, single-subject cross-validation and cross-subjects generalization. The data consisted of 30 subjects, two sessions for a binary classification task, that being, closing right/left hand. The results show that the accuracy of the classifiers LDA and QDA are relatively similar. The accuracy is defined as the number of correctly classified tasks in relation to the number of classes. For the result one-way Analysis of Variance (ANOVA) was utilizes, with the null-hypothesis that the mean-accuracy are the same for LDA and QDA. The mean-value results for single-subject cross- validation were between 57-59% . The accuracy for cross-subject generalizations were between 49-51 % . Both classifiers performed similarly, and the null hypothesis could not be rejected. However there are differences in performance when comparing single-subject cross-validation and cross-subject generalization. This paper further discuss factors that provided the results such as classification models LDA vs QDA, subjects and other causes.