Comparison of Classification Methods for EEG Signals of Real and Imaginary Motion - Publikacja - MOST Wiedzy

Twoje konto

zaloguj

Wyszukiwarka

Comparison of Classification Methods for EEG Signals of Real and Imaginary Motion

Abstrakt

The classification of EEG signals provides an important element of brain-computer interface (BCI) applications, underlying an efficient interaction between a human and a computer application. The BCI applications can be especially useful for people with disabilities. Numerous experiments aim at recognition of motion intent of left or right hand being useful for locked-in-state or paralyzed subjects in controlling computer applications. The chapter presents an experimental study of several methods for real motion and motion intent classification (rest/upper/lower limbs motion, and rest/left/right hand motion). First, our approach to EEG recordings segmentation and feature extraction is presented. Then, 5 classifiers (Naïve Bayes, Decision Trees, Random Forest, Nearest-Neighbors NNge, Rough Set classifier) are trained and tested using examples from an open database. Feature subsets are selected for consecutive classification experiments, reducing the number of required EEG electrodes. Methods comparison and obtained results are presented, and a study of features feeding the classifiers is provided. Differences among participating subjects and accuracies for real and imaginary motion are discussed. It is shown that though classification accuracy varies from person to person, it could exceed 80% for some classifiers.

Cytowania

  • 6

    CrossRef

  • 0

    Web of Science

  • 1 1

    Scopus

Autorzy (3)

Cytuj jako

Pełna treść

pobierz publikację
pobrano 265 razy
Wersja publikacji
Accepted albo Published Version
Licencja
Copyright (Springer International Publishing AG 2018)

Słowa kluczowe

Informacje szczegółowe

Kategoria:
Publikacja monograficzna
Typ:
rozdział, artykuł w książce - dziele zbiorowym /podręczniku w języku o zasięgu międzynarodowym
Tytuł wydania:
Advances in Feature Selection for Data and Pattern Recognition strony 227 - 239
Język:
angielski
Rok wydania:
2018
Opis bibliograficzny:
Szczuko P., Lech M., Czyżewski A.: Comparison of Classification Methods for EEG Signals of Real and Imaginary Motion// Advances in Feature Selection for Data and Pattern Recognition/ ed. Stańczyk U., Zielosko B., Jain L. : Springer, 2018, s.227-239
DOI:
Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1007/978-3-319-67588-6_12
Bibliografia: test
  1. Alotaiby, T., El-Samie, F.E., Alshebeili S.A.: A review of channel selection algorithms for eeg signal processing. EURASIP. J. Adv. Signal Process, 66 (2015) otwiera się w nowej karcie
  2. BCI2000. Bci2000 instrumentation system project. http://www.bci2000.org, Accessed on 2017-03-01 otwiera się w nowej karcie
  3. Bek, J., Poliakoff, E., Marshall, H., Trueman, S., Gowen, E.: Enhancing voluntary imitation through attention and motor imagery. Exp. Brain Res. 234, 1819-1828 (2016) otwiera się w nowej karcie
  4. Bhattacharyya, S., Konar, A., Tibarewala, D.N.: Motor imagery, p300 and error-related eeg- based robot arm movement control for rehabilitation purpose. Med. Biol. Eng. Comput. 52, 2014 (1007) otwiera się w nowej karcie
  5. Chen, S., Lai, Y.A.: Sgnal-processing-based technique for p300 evoked potential detection with the applications into automated character recognition. EURASIP. J. Adv. Signal Process. 152 (2014) otwiera się w nowej karcie
  6. Choi, K.: Electroencephalography (eeg)-based neurofeedback training for brain-computer in- terface (bci). Exp. Brain Res. 231, 351-365 (2013) otwiera się w nowej karcie
  7. Corralejo, R., Nicolas-Alonso, L.F., Alvarez, D., Hornero, R.: A p300-based brain-computer interface aimed at operating electronic devices at home for severely disabled people. Med. Biol. Eng. Comput. 52, 861-872 (2014) otwiera się w nowej karcie
  8. Czyżewski, A., Kostek, B., Kurowski, A., Szczuko, P., Lech, M., Odya, P., Kwiatkowska, A.: Assessment of hearing in coma patients employing auditory brainstem response, electroen- cephalography and eye-gaze-tracking. In: Proceedings of the 173rd Meeting of the Acoustical Society of America (2017) otwiera się w nowej karcie
  9. Dickhaus, T., Sannelli, C., Muller, K.R., Curio, G., Blankertz, B.: Predicting bci performance to study bci illiteracy. BMC Neurosci. 10 (2009) otwiera się w nowej karcie
  10. Diez, P.F., Mut, V.A., Avila Perona, E.M.: Asynchronous bci control using high-frequency. SSVEP. J. NeuroEngineering. Rehabil. 8(39) (2011) otwiera się w nowej karcie
  11. Doud, A.J., Lucas, J.P., Pisansky, M.T., He, B.: Continuous three-dimensional control of a virtual helicopter using a motor imagery based brain-computer interface. PLoS ONE. 6(10) (2011) otwiera się w nowej karcie
  12. Faller, J., Scherer, R., Friedrich, E., Costa, U., Opisso, E., Medina, J., Muller-Putz, G.R.: Non- motor tasks improve adaptive brain-computer interface performance in users with severe motor impairment. Front. Neurosci., 8 (2014) otwiera się w nowej karcie
  13. Gardener, M., Beginning, R.: The statistical programming language, (2012). https://cran.r- project.org/manuals.html, Accessed on 2017-03-01 otwiera się w nowej karcie
  14. Goldberger, A.L., Amaral, L.A., Glass, L., Hausdorff, J.M., Ivanov, P.C., Mark, R.G., Mietus, J.E., Moody, G.B., Peng, C.K., Stanley, H.E.: Physiobank, physiotoolkit, and physionet: com- ponents of a new research resource for complex physiologic signals. Circulation 101, 215-220 (2000) otwiera się w nowej karcie
  15. He, B., Gao, S., Yuan, H., Wolpaw, JR.: Brain-computer interfaces, In: He, B. (ed.) Neural Engineering, pp. 87-151 (2012). https://doi.org/10.1007/978-1-4614-5227-0_2 otwiera się w nowej karcie
  16. Iscan, Z.: Detection of p300 wave from eeg data for brain-computer interface applications. Pattern Recognit. Image Anal. 21(481) (2011) otwiera się w nowej karcie
  17. Janusz, A., Stawicki, S.: Applications of approximate reducts to the feature selection problem. In: Proceedings of the International Conference on Rough Sets and Knowledge Technology (RSKT), number 6954 in Lecture Notes in Artificial Intelligence, pp. 45-50 (2011) otwiera się w nowej karcie
  18. John, G.H., Langley, P.: Estimating continuous distributions in bayesian classifiers. In: Pro- ceedings of the 11th Conference on Uncertainty in Artificial Intelligence, pp. 338-345 (1995) otwiera się w nowej karcie
  19. Jung, T.P., Makeig, S., Humphries, C., Lee, T.W., McKeown, M.J., Iragui, V., Sejnowski, T.J.: Removing electroencephalographic artifacts by blind source separation. Psychophysiology 37, 163-178 (2000) otwiera się w nowej karcie
  20. Kasahara, T., Terasaki, K., Ogawa, Y.: The correlation between motor impairments and event- related desynchronization during motor imagery in als patients. BMC Neurosci. 13(66) (2012) otwiera się w nowej karcie
  21. Kayikcioglu, T., Aydemir, O.: A polynomial fitting and k-nn based approach for improving classification of motor imagery bci data. Pattern Recognit. Lett. 31(11), 1207-1215 (2010) otwiera się w nowej karcie
  22. Krepki, R., Blankertz, B., Curio, G., Muller, K.R.: The berlin brain-computer interface (bbci) -towards a new communication channel for online control in gaming applications. Multimed. Tools Appl. 33, 73-90 (2007) otwiera się w nowej karcie
  23. Kumar, S.U., Inbarani, H.: Pso-based feature selection and neighborhood rough set-based classification for bci multiclass motor imagery task. Neural Comput. Appl. 33, 1-20 (2016)
  24. LaFleur, K., Cassady, K., Doud, A.J., Shades, K., Rogin, E., He, B.: Quadcopter control in three-dimensional space using a noninvasive motor imagery based brain-computer interface. J. Neural. Eng. 10 (2013) otwiera się w nowej karcie
  25. Leeb, R., Pfurtscheller, G.: Walking through a virtual city by thought. In: Proceedings of the 26th Annual International Conference of the IEEE EMBS, (2004) otwiera się w nowej karcie
  26. Leeb, R., Scherer, R., Lee, F., Bischof, H., Pfurtscheller, G.: Navigation in virtual environments through motor imagery. In: Proceedings of the 9th Computer Vision Winter Workshop, pp. 99- 108, (2004)
  27. Marple, S.L.: Computing the discrete-time analytic signal via fft. IEEE Trans. Signal Proc. 47, 2600-2603 (1999) otwiera się w nowej karcie
  28. Martin, B.: Instance-based learning: nearest neighbour with generalization. Technical report, University of Waikato, Department of Computer Science, Hamilton, New Zealand (1995)
  29. Nakayashiki, K., Saeki, M., Takata, Y.: Modulation of event-related desynchronization during kinematic and kinetic hand movements. J. NeuroEng. Rehabil. 11(90) (2014) otwiera się w nowej karcie
  30. Pawlak, Z.: Rough sets. Int. J. Comput. Inf. Sci. 11, 341-356 (1982) otwiera się w nowej karcie
  31. Pfurtscheller, G., Neuper, C.: Motor imagery and direct brain-computer communication. Proc. of IEEE 89, 1123-1134 (2001) otwiera się w nowej karcie
  32. Pfurtscheller, G., Brunner, C., Schlogl, A., Lopes, F.H.: Mu rhythm (de)synchronization and eeg single-trial classification of different motor imagery tasks. NeuroImage 31, 153-159 (2006) otwiera się w nowej karcie
  33. Postelnicu, C., Talaba, D.: P300-based brain-neuronal computer interaction for spelling appli- cations. IEEE Trans. Biomed. Eng. 60, 534-543 (2013) otwiera się w nowej karcie
  34. Quinlan, R.: C4.5: Programs for Machine Learning. Morgan Kaufmann (1993)
  35. Riza, S.L., Janusz, A., Slezak, D., Cornelis, C., Herrera, F., Benitez, J.M., Bergmeir, C., Staw- icki, S.; Roughsets: data analysis using rough set and fuzzy rough set theories, (2015). https:// github.com/janusza/RoughSets, Accessed on 2017-03-01 otwiera się w nowej karcie
  36. Roy, S.: Nearest neighbor with generalization. Christchurch, New Zealand (2002) otwiera się w nowej karcie
  37. Schalk, G., McFarland, D.J., Hinterberger, T., Birbaumer, N., Wolpaw, J.R.: Bci 2000: A general-purpose brain-computer interface (bci) system. IEEE Trans. Biomed. Eng. 51, 1034- 1043 (2004) otwiera się w nowej karcie
  38. Schwarz, A., Scherer, R., Steyrl, D., Faller, J., Muller-Putz, G.: Co-adaptive sensory motor rhythms brain-computer interface based on common spatial patterns and random forest. In: Proceedings of the 37th Annual International Conference of the Engineering in Medicine and Biology Society (EMBC), (2015) otwiera się w nowej karcie
  39. Shan, H., Xu, H., Zhu, S., He, B.: A novel channel selection method for optimal classification in different motor imagery bci paradigms. BioMed. Eng. OnLine, 14 (2015) otwiera się w nowej karcie
  40. Silva, J., Torres-Solis, J., Chau, T.: A novel asynchronous access method with binary interfaces. J. NeuroEng. Rehabil. 5(24) (2008) otwiera się w nowej karcie
  41. Siuly, S., Li, Y.: Improving the separability of motor imagery eeg signals using a cross correlation-based least square support vector machine for brain computer interface. IEEE Trans. Neural Syst. Rehabil. Eng. 20(4), 526-538 (2012)
  42. Siuly, S., Wang, H., Zhang, Y.: Detection of motor imagery eeg signals employing naive bayes based learning process. J. Measurement 86, 148-158 (2016) otwiera się w nowej karcie
  43. Suh, D., Sang Cho, H., Goo, J., Park, K.S., Hahn, M.: Virtual navigation system for the dis- abled by motor imagery. In: Advances in Computer, Information, and Systems Sciences, and Engineering, pp. 143-148 (2006). https://doi.org/10.1007/1-4020-5261-8_24 otwiera się w nowej karcie
  44. Szczuko, P., Lech, M., Czyżewski, A.: Comparison of methods for real and imaginary motion classification from eeg signals. In: Proceedings of ISMIS conference, (2017) otwiera się w nowej karcie
  45. Szczuko, P.: Real and imagery motion classification based on rough set analysis of eeg signals for multimedia applications. Multimed. Tools Appl. (2017). https://doi.org/10.1007/s11042- 017-4458-7 otwiera się w nowej karcie
  46. Szczuko, P.: Rough set-based classification of eeg signals related to real and imagery motion. In: Proceedings Signal Processing Algorithms, Architectures, Arrangements, and Applications, (2016) otwiera się w nowej karcie
  47. Tadel, F., Baillet, S., Mosher, J.C., Pantazis, D., Leahy, R.M.: Brainstorm: A user-friendly application for meg/eeg analysis. Comput. Intell. Neurosci. vol. 2011, Article ID 879716 (2011). https://doi.org/10.1155/2011/879716 otwiera się w nowej karcie
  48. Tesche, C.D., Uusitalo, M.A., Ilmoniemi, R.J., Huotilainen, M., Kajola, M., Salonen, O.: Signal-space projections of meg data characterize both distributed and well-localized neuronal sources. Electroencephalogr. Clin. Neurophysiol. 95, 189-200 (1995) otwiera się w nowej karcie
  49. Tukey, J.W.: Exploratory Data Analysis. Addison-Wesley (1977)
  50. Ungureanu, M., Bigan, C., Strungaru, R., Lazarescu, V.: Independent component analysis applied in biomedical signal processing. Measurement Sci. Rev. 4, 1-8 (2004) otwiera się w nowej karcie
  51. Uusitalo, M.A., Ilmoniemi, R.J.: Signal-space projection method for separating meg or eeg into components. Med. Biol. Eng. Comput. 35, 135-140 (1997) otwiera się w nowej karcie
  52. Velasco-Alvarez, F., Ron-Angevin, R., Lopez-Gordo, M.A.: Bci-based navigation in virtual and real environments. IWANN. LNCS 7903, 404-412 (2013) otwiera się w nowej karcie
  53. Vidaurre, C., Blankertz, B.: Towards a cure for bci illiteracy. Brain Topogr. 23, 194-198 (2010) otwiera się w nowej karcie
  54. Witten, I.H., Frank, E., Hall, M.A.: Data mining: Practical machine learning tools and tech- niques. In: Morgan Kaufmann Series in Data Management Systems. Morgan Kaufmann (2011). www.cs.waikato.ac.nz/ml/weka/, Accessed Mar 1st 2017 otwiera się w nowej karcie
  55. Wu, C.C., Hamm, J.P., Lim, V.K., Kirk, I.J.: Mu rhythm suppression demonstrates action representation in pianists during passive listening of piano melodies. Exp. Brain Res. 234, 2133-2139 (2016) otwiera się w nowej karcie
  56. Xia, B., Li, X., Xie, H.: Asynchronous brain-computer interface based on steady-state visual- evoked potential. Cogn. Comput. 5(243) (2013) otwiera się w nowej karcie
  57. Yang, J., Singh, H., Hines, E., Schlaghecken, F., Iliescu, D.: Channel selection and classifica- tion of electroencephalogram signals: an artificial neural network and genetic algorithm-based approach. Artif. Intell. Med. 55, 117-126 (2012) otwiera się w nowej karcie
  58. Yuan, H., He, B.: Brain-computer interfaces using sensorimotor rhythms: current state and future perspectives. IEEE Trans. Biomed. Eng. 61, 1425-1435 (2014)
  59. Zhang, R., Xu, P., Guo, L., Zhang, Y., Li, P., Yao, D.: Z-score linear discriminant analysis for EEG based brain-computer interfaces. PLoS ONE. 8(9) (2013) otwiera się w nowej karcie
Weryfikacja:
Politechnika Gdańska

wyświetlono 150 razy

Publikacje, które mogą cię zainteresować

Real and imaginary motion classification based on rough set analysis of EEG signals for multimedia applications

2017

Rough Set-Based Classification of EEG Signals Related to Real and Imagery Motion

2016

Multimodal Approach For Polysensory Stimulation And Diagnosis Of Subjects With Severe Communication Disorders

2017

Comparison of Methods for Real and Imaginary Motion Classification from EEG Signals

2018
Meta Tagi