Recognizing Thoughts from Bioelectric Patterns? A Brain-Computer Interface with Deep Learning

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu | Master's thesis
Date
2020-08-18
Department
Major/Subject
Embedded Systems
Mcode
SCI3024
Degree programme
Master's Programme in ICT Innovation
Language
en
Pages
61 + 6
Series
Abstract
The study aims to implement an inter-person brain-computer interface (BCI) capable of classifying brain activity using a deep learning approach on motor imagery electroencephalography (MI EEG) data. The BCI uses a convolutional neural network (CNN) for feature extraction and classification. Offline training is performed on a new and pre-trained model using filtered EEG signals from an open-source 9-subject 4-class MI EEG data set. Performance is assessed within and between subjects. The new model reaches a mean evaluation accuracy of 58% ± 15% within-subject improved by 2.4% ± 1.3% using a pre-trained model. Between-subjects performance is low with a mean accuracy of 35% ± 11%.

Työssä tutkitaan aivokäyttöliittymää syväoppimisen menetelmillä. Tavoitteena on toteuttaa yleistettävä malli luokittelemaan aivosähkökäyrällä kuvattua motorisiin mielikuviin liittyvää sähköistä aivotoimintaa. Aivokäyttöliittymä poimii piirteitä ja luokittelee aivotoimintaa konvoluutioneuroverkkoihin pohjustuvalla mallilla. Malli optimoidaan käyttäen esisuodatettua avoimen lähdekoodin tiedostoa, joka käsittää yhdeksän henkilön aivotoimintaa ja jossa kukin toistaa neljää motorista mielikuvaa kuvattuna elektroenkefalografialla. Mallin suorituskykyä arvioidaan sekä henkilöidenvälisesti että -sisäisesti. Malli luokitteli aivotoimintaa 58%±15% tarkkuudella ennalta-alustamattattomilla painoarvoilla henkilöidensisäisesti. Mallin tarkkuus parani 2.4%±1.3% siirtovaiku- tuksella. Malli saavutti henkilöidenvälisesti matalamman 35%±11% tarkkuuden.
Description
Supervisor
Jung, Alexander
Thesis advisor
Siervo, Rosa
Keywords
brain-computer interfaces, convolutional neural networks, motor imagery, deep learning, transfer learning, electroencephalography
Citation