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

Loading...
Thumbnail Image

URL

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

Other note

Citation