EEG of game players - detecting involvement with and without ICA preprocessing

• Autorzy: Górski P. , Rejer I.

Identyfikatory

DOI

10.15199/48.2016.12.61

Warianty tytułu

PL

EEG graczy – detekcja zaangażowania z i bez wstępnego przetworzenia sygnału przy pomocy ICA

• Języki publikacji: EN

Abstrakty

EN

The aim of this paper is to analyze the differences in the classification accuracy obtained with raw EEG data and with data preprocessed with Independent Components Analysis (ICA). Our main research question is whether ICA is able to improve the classification accuracy not only in the case of a multichannel recording but also when EEG data are recorded only from a few channels. In order to answer this question we performed an experiment with 6 game players and gathered EEG data during Dota 2 game session. We analyzed the EEG data separately for 19, 7, and 3 channels with and without ICA preprocessing. With all three number of channels and for each of the six players we obtained more precise classifiers, classifying the seconds of the game as involving or boring, after applying ICA (mean accuracy averaged over subjects: 19 channels - 0.87 (raw signals), 0.91 (after ICA); 7 channels - 0.8 (raw signals), 0.85 (after ICA); 3 channels - 0.75 (raw signals), 0.8 (after ICA)).

PL

Celem artykułu jest analiza różnic w dokładności klasyfikacji otrzymanej przy wykorzystaniu surowego sygnału EEG oraz sygnału poddanego preprocessingowi z wykorzystaniem analizy składowych niezależnych (ICA). Naszym głównym pytaniem badawczym jest to, czy ICA jest w stanie zwiększyć dokładność klasyfikacji nie tylko w przypadku wielokanałowego EEG, ale również wtedy, kiedy dane EEG są nagrywane tylko z kilku kanałów. W celu udzielenia odpowiedzi na to pytanie przeprowadziliśmy eksperyment z sześcioma graczami i zgromadziliśmy dane EEG podczas gry w grę Dota 2. Przeanalizowaliśmy dane oddzielnie dla 19, 7 i 3 kanałów z oraz bez zastosowania algorytmu ICA. Dla wszystkich trzech liczb kanałów i dla każdego z sześciu graczy otrzymaliśmy bardziej dokładne klasyfikatory, dokonujące klasyfikacji poszczególnych sekund gry jako angażujących i nudnych, po przeprowadzeniu preprocessingu z wykorzystaniem ICA (średnia dokładność dla wszystkich podmiotów: 19 kanałów - 0.87 (surowe sygnały), 0.91 (po ICA); 7 kanałów - 0.8 (surowe sygnały), 0.85 (po ICA); 3 kanały - 0.75 (surowe sygnały), 0.8 (po ICA)).

Słowa kluczowe

EN

independent component analysis; ICA; FastICA; BSS; EEG; involvement detection; engagement detection

PL

analiza składowych niezależnych; ICA; FastICA; ślepa separacja sygnałów; EEG; detekcja zaangażowania

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2016
• Tom: R. 92, nr 12
• Strony: 237--240
• Opis fizyczny: Bibliogr. 15 poz., rys., wykr.

Twórcy

autor

Górski P.

• West Pomeranian University of Technology, Faculty of Computer Science and Information Technology, Żołnierska 49, 71-210 Szczecin, Poland

autor

Rejer I.

• West Pomeranian University of Technology, Faculty of Computer Science and Information Technology, Żołnierska 49, 71-210 Szczecin, Poland

Bibliografia

• [1] Gorski P., Common Spatial Patterns in a few channel BCI Interface, Journal of Theoretical and Applied Computer Science, 8 (2014), nr 4, 56-63
• [2] Z. Xue, J. Li, S. Li, and B. Wan, "Using ICA to remove eye blink and power line artifacts in EEG. In Innovative Computing, Information and Control", 2006. ICICIC'06. First International Conference on (Vol. 3, pp. 107-110). IEEE.
• [3] G. L. Wallstrom, R. E. Kass, A. Miller, J. F. Cohn, and N. A. Fox, "Automatic correction of ocular artifacts in the EEG: a comparison of regression-based and component-based methods", International journal of psychophysiology, 2004, 53(2), 105-119.
• [4] T. P. Jung, C. Humphries, T. W. Lee, S. Makeig, M. J. McKeown, V. Iragui, and T. J. Sejnowski, "Extended ICA removes artifacts from electroencephalographic recordings", Adv. in neural information processing systems, 1998, 894-900.
• [5] A. Delorme, J. Palmer, J. Onton, R. Oostenveld, and S. Makeig, (2012). "Independent EEG sources are dipolar", PloS one, 7(2), e30135.
• [6] Rejer I., Gorski P., Benefits of ICA in the case of a few channel EEG, Proceedings of 37th Annual International Conf. of the IEEE Eng. in Medicine and Biology Society, Milano, 2015.
• [7] Park H.M., Oh S.H., Lee S.Y.: A modified infomax algorithm for blind signal separation. Science Direct. Neurocomputing 70, 229-240 (2006)
• [8] Stone J.V.: Independent component analysis: an introduction. TRENDS in Cognitive Sci-ences Vol.6 No.2, 59-64 (2002)
• [9] Hyvärinen A, Oja E. Independent Component Analysis: Algorithms and Applications. Neural Networks. 2000, nr 13. s. 411-430
• [10] Oja E., Yuan Z.: The FastICA Algorithm Revisited: Convergence Analysis. IEEE Transaction on Neural Networks, vo. 17. 6, pp. 1370-1381 (2006)
• [11] Langlois D., Chartier S., Gosselin D.: An Introduction to Independent Component Analysis: InfoMax and FastICA algorithms, Tutorials in Quantitative Methods for Psychology, 6:31-38 (2010)
• [12] Tichavský P., Koldovský Z., Oja E.: Performance Analysis of the FastICA Algorithm and Cramér–Rao Bounds for Linear Independent Component Analysis. IEEE TRANSACTIONS ON SIGNAL PROCESSING, VOL. 54, NO. 4, 1189-1203 (2006)
• [13] Jasper H. H., The ten-twenty electrode system of the international federation in electroencephalography and clinical neurophysiology, EEG Journal, (1958) Vol. 10, 371–375
• [14] Rejer I., Genetic Algorithm with Aggressive Mutation for Feature Selection in BCI Feature Space, Pattern Anal Applic, DOI 10.1007/s10044-014-0425-3, 2015
• [15] Rejer I., Genetic Algorithms for Feature Selection for Brain– Computer Interface, International Journal of Pattern Recognition and Artificial Intelligence, World Scientific Publishing Company, Vol. 29, No. 5 (2015)