EEG signal classification for MI-BCI applications

Abstract

Una Interfaz Cerebro Ordenador (o BCI por sus siglas en inglés) es un sistema que permite al usuario producir instrucciones que pueden ser interpretadas por una máquina sin necesidad de interacción física. Funciona como un puente entre el cerebro humano y un ordenador y es una solución prometedora que permitiría a personas con discapacidad motora interactuar con sus alrededores de una nueva manera, mejorando drásticamente su calidad de vida. Existen múltiples tipos de BCI que se basan en diferentes señales cerebrales que pueden ser registradas con distintos dispositivos. Entre estas BCI, una de las más interesantes es la Interfaz Cerebro Ordenador de Movimiento Imaginario (MI-BCI): el usuario piensa en efectuar un movimiento repetidamente y el sistema tiene que identificar de qué movimiento se trata de entre un conjunto de posibilidades, por ejemplo, movimientos de mano izquierda y derecha, pies o lengua. Este sistema se basa en que, cuando una persona se imagina a sí misma haciendo un movimiento, se activa una respuesta en el cerebro similar a la que se produce cuando el movimiento se realiza de verdad. Esta actividad cerebral se puede registrar de múltiples maneras; sin embargo, el transductor más común usado para grabar señales cerebrales es el Electroencefalógrafo (EEG), que es un sistema económico, portable y no invasivo que se compone de múltiples electrodos colocados en el cuero cabelludo del usuario y conectados a un amplificador. El problema presentado no es sencillo. Las señales de EEG tienen una baja resolución espacial, baja relación señal a ruido y se ven afectadas por interferencias producidas por movimiento ocular o muscular entre otros. Además, se introduce redundancia porque estas señales se propagan a través de las diferentes capas que componen la cabeza y llegan a la vez a varios electrodos. Como resultado, debemos emplear múltiples potentes técnicas de procesado de señal para obtener un sistema MI-BCI robusto. Comenzamos introduciendo brevemente algunas BCI existentes, así como el conjunto de datos que analizaremos en este documento, que es el MI-BCI dataset 2a, de la BCI Competition IV. Este está disponible para uso público y ha sido estudiado previamente en profundidad. A continuación, presentamos el problema de MI-BCI como un problema general de reconocimiento de patrones y lo dividimos en sus partes principales: preprocesado de señales, extracción de características o reducción de dimensionalidad y finalmente clasificación, que será el centro de atención de este trabajo. Las primeras dos fases preparan las señales y extraen de ellas la información más relevante, mientras que en la última se realiza la predicción. Para este paso una solución que se ha usado extensivamente en el pasado ha sido el Análisis de Discriminantes Lineales (LDA), pero también existen otras alternativas. En el siguiente capítulo intentamos ilustrar el funcionamiento interno de algunos de estos clasificadores y finalmente realizamos un experimento para comparar los resultados obtenidos con los diferentes algoritmos en el problema de MI-BCI. Antes de realizar ninguna predicción, los clasificadores pasan por una fase de entrenamiento en la que se calculan los parámetros internos que gobiernan su comportamiento. Esto se realiza con observaciones similares a aquellas que después se desean clasificar. En este documento el problema no solo se aborda desde la clásica situación supervisada, en la que durante el entrenamiento la información sobre cuáles eran las intenciones del usuario es conocida, sino que también se trata el caso no supervisado, en el que esta información se desconoce.

A Brain Computer Interface (BCI) is a system that allows the user to produce commands that can be interpreted by a machine without the need for physical interaction. It acts as a bridge between a human brain and a computer, and it is a promising solution that would allow people with motor disabilities to interact with their surroundings in a new way, drastically improving their quality of life. Several different types of BCI exist, based on multiple distinct brain signals that can be registered with different physical devices. Amongst these BCIs, one of the most interesting is Motor Imagery BCI (MI-BCI). The user thinks about performing a movement repeatedly, and the system has to identify which movement the person is imagining amongst a defined set of possibilities, for example left and right hand, feet or tongue movements. The working principle behind this is that when a person imagines themselves performing a movement, some of the same responses that happen when the movement is actually performed are triggered. This brain activity can be registered in multiple ways, however, the most common transducer used to record brain signals is the Electroencefalogram (EEG), which is a portable, affordable and non invasive system composed by electrodes placed on the scalp of the subject and attached to an amplifier. The problem presented here is not simple. The EEG signals have low spatial resolution, low signal to noise ratio and are affected by artifacts produced by eye or muscle movement. Furthermore, redundancy is introduced, as the same signals propagate through the different layers of the head and reach multiple electrodes at the same time. As a result, we must use several powerful signal processing techniques in order to obtain a robust MI-BCI. To begin with, we introduce some of the different existing BCIs briefly, as well as the data set that will be analysed in this work, which is the publicly available and extensively studied MI-BCI dataset 2a from the BCI Competition IV. Next, we present the MI-BCI problem as a general pattern recognition problem, and divide it into its main parts, signal preprocessing, feature extraction or dimensionality reduction and finally classification, the main focus of this work. The first two stages prepare the signals and extract the most relevant information in them, whereas in the latter the prediction is made. For the classifying step, a solution known as Linear Discriminant Analysis (LDA) has been widely used previously, however, other less explored methods do exist. In the next chapter, we strive to provide some insight into the principles in which this classifier as well as other less common approaches are sustained, and finally we perform an experiment in order to compare the different solutions that these algorithms achieve when used in a MI-BCI problem. Prior to making any predictions, a training stage is needed, in which the internal parameters that govern the behaviour of the algorithm are obtained. These parameters are calculated using observations similar to those that we will be required to classify. We study not only the classic supervised situation in which during training the intentions of the user are known, but we aim to expand the problem to the less studied unsupervised scenario, where this information is not provided.