Title: Online EEG feature discriminant power monitoring and selection for asynchronous brain-computer interfaces
Language: English
Authors: Schneider, Christoph 
Qualification level: Diploma
Keywords: EEG; Brain-Computer-Interface; Discriminant Power; Mensch-Maschine Interaktion; Kalman Filter; Stationary Subspace Analysis (SSA); Tracking; Echtzeit; Anpassung
EEG; Brain-Computer-Interface; Discriminant Power; Human-Machine Interaction; Kalman Filter; Stationary Subspace Analysis (SSA); tracking; online; adaptation
Advisor: Rattay, Frank
Issue Date: 2012
Number of Pages: 80
Qualification level: Diploma
Abstract: 
Gedankengesteuerte Hilfsmittel fassen mehr und mehr Fuß im medizinischen Bereich. Die Klassifizierung von EEG-Signalen (z.B. im Rahmen von Brain-Computer Interfaces) leidet sehr oft unter Instationaritäten, welche von diversen Einstreuungen von außen, aber auch von Veränderungen der zugrundeliegenden Hirnprozesse stammen können. Das Ziel dieser Arbeit war es, den Nutzen von überwachten und unüberwachten maschinellen Lernmethoden für das Tracking von "power spectral density" Features auf der Basis von Kalmanfiltern zu prüfen um eventuell Features mit abnehmender Unterscheidbarkeit durch andere, besser gewordene, zu ersetzen. Als Alternative wurde auch die Performance der Stationary Subspace Analysis (SSA) getestet, welche die Beseitigung von Instationaritäten durch lineare Transformationen verspricht. Die Algorithmen wurden in Matlab implementiert und an Daten von fünf gesunden Probanden getestet. Die adaptiven Methoden zeigen im Fall des überwachten Lernens eine Verbesserung der Ergebnisse um bis zu 31.3%, Mittelwert 2.4% und Standardabweichung (sd) 14.4%, wobei die Rückweisungsquote um den Faktor 10 verringert wurde (auf ca. 1.5%). Die Algorithmen ohne Miteinbezug der Datenlabels (unüberwachtes Lernen) liefern eine im Mittel um 14.3% schlechtere Präzision (sd 8.8%) mit der selben Schrumpfung der Rückweisungsrate auf 1.5%. Die SSA-Transformation zusammen mit einem fixen Klassifikator reduziert die Performance um 19.0% (sd 18.3%) mit einem Anstieg der Rückweisungsquote um durchschnittlich 6.4%. Daraus lässt sich erkennen, dass die SSA-Transformation für unsere Daten und Features ungeeignet scheint. Außerdem müssen neue Ansätze gefunden werden, wie man die guten Resultate der überwachten Lernmethoden auch im unüberwachten Fall erhalten kann.

Brain controlled assistive technology gains ground in medical applications.
Nonstationarities in the recorded EEG-signals, which origin from evolving noise as well as from changing brain patterns, are a frequent source of classification deterioration in brain-computer interaction. The goal of this work was to investigate the feasibility of supervised and unsupervised online adaptation methods based on Kalman filters for tracking the underlying non-stationarities of EEG-based power spectral density features in order to monitor their quality, and eventually exchange features with degrading accuracy for ones which have become more discriminable over time. As a counterapproach the effectiveness of stationary subspace analysis (SSA) for the elimination of nonstationarities was tested. The Matlab implementation of the algorithms was tested on data of five able-bodied subjects.
The supervised methods achieved an overall increase in model accuracy of up to 31.3% was achieved (mean 2.4%, standard deviation (sd) 14.4%), while the rejection rate dropped by the order of 10 to around 1.5% for all subjects. Without exploiting the data labels, i.e.
in the unsupervised case, an increase in accuracy could only be found for one subject (+3.5%) whereas usually a decrease of 14.3% on average was observed (sd 8.8%), again with the drop in rejection rate to 1.5%. The SSA-transformation together with a stationary classifier yielded -19.0% in accuracy with sd 18.3% and rejection rate raised by an average of 6.4%. Apparently the SSA transformation is not suitable for the data and features used. In order to preserve the good results of the supervised algorithms also in the unsupervised case, it will be necessary to develop further methods.
URI: https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-54972
http://hdl.handle.net/20.500.12708/10959
Library ID: AC07815330
Organisation: E101 - Institut für Analysis und Scientific Computing 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Show full item record

Page view(s)

16
checked on Feb 18, 2021

Download(s)

55
checked on Feb 18, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.