The impact of covariance matrix estimators on Riemannian EEG BCI

Thumbnail Image

Files

master_Salonen_Mikko_2025.pdf (4.23 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Electrical Engineering | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-07-29

Department

Major/Subject

Biosensing and Bioelectronics

Mcode

Degree programme

Master's Programme in Life Science Technologies

Language

en

Pages

68

Series

Abstract

We investigated the impact of covariance matrix estimator selection on Riemannian geometry-based electroencephalogram (EEG) brain-computer interfaces (BCI). We used the Mother of All BCI Benchmarks (MOABB) as a framework to evaluate Minimum Distance to Riemannian Mean (MDM) classification pipelines with different covariance matrix estimators. We found differences in estimator performance and were able to visualise the differences between covariance matrices using principal component analysis (PCA). To improve the performance, we developed custom estimators, and we found the Riemann Geodesic Covariance proved successful. The scope of the study was limited to the signal processing stage and focused solely on EEG data. The Riemannian classifier used was limited to the MDM method, primarily utilizing one dataset and the Left Right Imagery paradigm. The evaluations were all conducted within session. A rigorous mathematical analysis of the custom estimators was not provided. The thesis recommended expanding the evaluation scope to other datasets and randomized splits to provide greater statistical significance to the results. It also recommended expanding the scope of the evaluations to Cross Session and Cross Subject, and to paradigms. The thesis recommended a more rigorous approach to the mathematical formulation of the Riemannian Geodesic Covariance, which could enable more sophisticated parametrisation and optimisation. The thesis gave suggestions on how to improve the comparisons between covariance matrices.

Tutkimme kovarianssimatriisiestimaattorin valinnan vaikutusta Riemannin geometriaan perustuvaan aivosähkökäyrä (EEG) -pohjaiseen aivo-tietokone-rajapinta (BCI) -järjestelmään. Hyödynsimme Mother of All BCI Benchmarks -kirjastoa arvioidaksemme minimietäisyys Riemannin keskiarvoon (MDM) -luokittelijoita, käyttäen eri kovarianssimatriisiestimaattoreita sklearn-kirjaston Pipeline-olioihin rakennetuissa käsittelyketjuissa. Eri estimaattorien välillä löytyi eroja, jotka voitiin visualisoida käyttäen principal component analysis (PCA) -menetelmää. Luokkitelijan suorituskyvyn parantamiseksi kehitimme estimaattoreita, joista Riemannin geodeesikovarianssi osoittautui tehokkaaksi ja paransi suoristuskykyä. Tutkimus rajattiin BCI-järjestelmän signaalinkäsittelyosioon ja keskittyi vain EEG-dataan. Riemannin geometriaan pohjautuvista luokittelijoista tarkasteltiin ainoastaan MDM-menetelmää. Tutkimuksessa käytettiin enimmäkseen vain yhtä aineistoa ja vasen-oikea-kuvittelun paradigmaa. Kaikki arvioinnit ajettiin session sisällä. Uusien estimaattorien matemaattinen analyysi jätettiin tutkimuksen ulkopuolelle. Diplomityössä suositeltiin arviointien laajentamista useampiin aineistoihin ja satunnaistettuihin jakoihin tilastollisen luotettavuuden parantamiseksi. Suositeltiin myös laajentamaan arviointeja session sisältä sessioiden välisiksi, sekä koehenkilöiden välisiksi, ja muihin paradigmoihin. Työssä suositeltiin antamaan kattavampi matemaattinen analyysi Riemannin geodeesikovarianssi -menetelmälle, joka voisi mahdollistaa menetelmän hienostuneemman parametrisoinnin ja optimoinnin. Diplomityössä annettiin suosituksia kovarianssimatriisien vertailun kehittämiseksi.

Description

Supervisor

Ollila, Esa

Keywords

Brain-Computer Interface (BCI), electroencephalogram (EEG), Symmetric Positive Definite (SPD) Manifold, Riemannian geometry, covariance matrix, machine learning

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202508186267

Collections

[dipl] Sähkötekniikan korkeakoulu / ELEC