Motor imagery EEG signal classification using optimized convolutional neural network

• Autorzy: Thiyam Deepa Beeta , Raymond Shelishiyah , Avasarala Padmanabha Sarma

Identyfikatory

DOI

10.15199/48.2024.08.55

Warianty tytułu

PL

Klasyfikacja sygnału EEG z obrazowania ruchu przy użyciu zoptymalizowanej sieci neuronowej splotowej

• Języki publikacji: EN

Abstrakty

EN

Motor Imagery (MI) signals help the Brain-Computer Interface framework (BCI) to enable the binding of the human brain to external devices. Thus, both BCI and MI together are instrumental in enhancing the lives of patients affected by motor neuron disorders. A novel MI Electroencephalography (EEG) signal identification and classification approach is proposed in this work. An error-free extraction algorithm is required to extract and classify the temporal and spatial features successfully. This paper proposes the Hilbert Transform (HT) for band energy analysis and Gabor Filter for the selection of optimal frequency band. In this work, the Wavelet Packet Decomposition (WPD) algorithm is used for feature extraction and it decomposes the signal into high and low-frequency components before extracting band coefficients. Moreover, the Convolution Neural Network (CNN) classifier is employed for the classification of MI-EEG tasks. The classification accuracy of the CNN classifier is enhanced using Sea Lion Optimization (SLno) algorithm. The approach is verified using MATLAB and the results are substantially better than those found in the current research, with an average classification accuracy rate of 96.44% by employing a smaller number of criteria, lessening resource consumption, and eliminating the influence of individual differences. The recommended method minimizes classification computation time while enhancing classification accuracy.

Sygnały obrazu motorycznego (MI) pomagają strukturze interfejsu mózg-komputer (BCI) umożliwić wiązanie ludzkiego mózgu z urządzeniami zewnętrznymi. Zatem zarówno BCI, jak i MI razem odgrywają zasadniczą rolę w poprawie życia pacjentów dotkniętych zaburzeniami neuronu ruchowego. W tej pracy zaproponowano nowatorskie podejście do identyfikacji i klasyfikacji sygnałów MI-Elektroencefalografii (EEG). Do pomyślnego wyodrębnienia i sklasyfikowania cech czasowych i przestrzennych wymagany jest bezbłędny algorytm ekstrakcji. W artykule zaproponowano transformatę Hilberta (HT) do analizy energii pasma oraz filtr Gabora do wyboru optymalnego pasma częstotliwości. W tej pracy do ekstrakcji cech wykorzystano algorytm Wavelet Packet Decomposition (WPD), który rozkłada sygnał na składowe o wysokiej i niskiej częstotliwości przed wyodrębnieniem współczynników pasma. Ponadto do klasyfikacji zadań MI-EEG wykorzystuje się klasyfikator Convolution Neural Network (CNN). Dokładność klasyfikacji klasyfikatora CNN jest zwiększona dzięki zastosowaniu algorytmu Sea Lion Optimization (SLno). Podejście to jest weryfikowane przy użyciu MATLAB-a, a wyniki są znacznie lepsze niż w bieżących badaniach, ze średnim współczynnikiem dokładności klasyfikacji wynoszącym 96.44% przy zastosowaniu mniejszej liczby kryteriów, mniejszym zużyciu zasobów i wyeliminowaniu wpływu różnic indywidualnych. Zalecana metoda minimalizuje czas obliczeń klasyfikacyjnych, jednocześnie zwiększając dokładność klasyfikacji.

Słowa kluczowe

EN

Hilbert transform; Gabor filter; Sea Lion optimization; convolutional neural network

PL

transformata Hilberta; filtr Gabora; optymalizacja lwa morskiego; konwolucyjna sieć neuronowa; dekompozycja pakietów falkowych

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 8
• Strony: 273--279
• Opis fizyczny: Bibliogr. 23 poz., rys., tab.

Twórcy

autor

Thiyam Deepa Beeta

• Vel Tech Rangarajan Dr. Sagunthala R & D Institute of Science and Technology

• https://orcid.org/0000-0002-4592-9417

autor

Raymond Shelishiyah

• Vel Tech Rangarajan Dr. Sagunthala R & D Institute of Science and Technology

autor

Avasarala Padmanabha Sarma

• Vel Tech Rangarajan Dr. Sagunthala R & D Institute of Science and Technology

Bibliografia

• [1] D. Wu, Y. Xu, and B. L. Lu, “Transfer Learning for EEG-Based Brain-Computer Interfaces: A Review of Progress Made since 2016,” IEEE Trans. Cogn. Dev. Syst., vol. 14, no. 1, pp. 4–19, 2022, doi: 10.1109/TCDS.2020.3007453.
• [2] M. T. Sadiq, X. Yu, Z. Yuan, and M. Z. Aziz, “Identification of motor and mental imagery EEG in two and multiclass subjectdependent tasks using successive decomposition index,” Sensors (Switzerland), vol. 20, no. 18, pp. 1–25, 2020, doi: 10.3390/s20185283.
• [3] R. Zhang et al., “A BCI-based environmental control system for patients with severe spinal cord injuries,” IEEE Trans. Biomed. Eng., vol. 64, no. 8, pp. 1959–1971, 2017, doi: 10.1109/TBME.2016.2628861.
• [4] Y. Zhou, S. He, Q. Huang, and Y. Li, “A Hybrid Asynchronous Brain-Computer Interface Combining SSVEP and EOG Signals,” IEEE Trans. Biomed. Eng., vol. 67, no. 10, pp. 2881– 2892, 2020, doi: 10.1109/TBME.2020.2972747.
• [5] O. Ali, M. Saif-ur-Rehman, S. Dyck, T. Glasmachers, I. Iossifidis, and C. Klaes, “Enhancing the decoding accuracy of EEG signals by the introduction of anchored-STFT and adversarial data augmentation method,” Sci. Rep., vol. 12, no. 1, pp. 1–19, 2022, doi: 10.1038/s41598-022-07992-w.
• [6] M. Sreeja, S. R., Rabha, J., Samanta, D., Mitra, P., & Sarma, “Classification of motor imagery based EEG signals using sparsity approach,” Intell. Hum. Comput. Interact. 9th Int. Conf. IHCI 2017, vol. 9, pp. 47–59, 2017.
• [7] W. Yi, S. Qiu, H. Qi, L. Zhang, B. Wan, and D. Ming, “EEG feature comparison and classification of simple and compound limb motor imagery,” J. Neuroeng. Rehabil., vol. 10, no. 1, pp. 1–12, 2013, doi: 10.1186/1743-0003-10-106.
• [8] Z. Zhang et al., “A Novel Deep Learning Approach with Data Augmentation to Classify Motor Imagery Signals,” IEEE Access, vol. 7, pp. 15945–15954, 2019, doi: 10.1109/ACCESS.2019.2895133.
• [9] S. Selim, M. M. Tantawi, H. A. Shedeed, and A. Badr, “A CSP\AM-BA-SVM Approach for Motor Imagery BCI System,” IEEE Access, vol. 6, pp. 49192–49208, 2018, doi: 10.1109/ACCESS.2018.2868178.
• [10] R. K. Bhatnagar, M., Gupta, G. S., & Sinha, “Linear discriminant analysis classifies the EEG spectral features obtained from three class motor imagination.,” 2018 2nd Int. Conf. Power, Energy Environ. Towar. Smart Technol., pp. 1–6, 2018.
• [11] X. Wu, B. Zhou, Z. Lv, and C. Zhang, “To Explore the Potentials of Independent Component Analysis in Brain- Computer Interface of Motor Imagery,” IEEE J. Biomed. Heal. Informatics, vol. 24, no. 3, pp. 775–787, 2020, doi: 10.1109/JBHI.2019.2922976.
• [12] L. Cheng, D. Li, G. Yu, Z. Zhang, X. Li, and S. Yu, “A motor imagery EEG feature extraction method based on energy principal component analysis and deep belief networks,” IEEE Access, vol. 8, pp. 21453–21472, 2020, doi: 10.1109/ACCESS.2020.2969054.
• [13] H. Wang et al., “Diverse Feature Blend Based on Filter-Bank Common Spatial Pattern and Brain Functional Connectivity for Multiple Motor Imagery Detection,” IEEE Access, vol. 8, pp. 155590–155601, 2020, doi: 10.1109/ACCESS.2020.3018962.
• [14] S. Chaudhary, S. Taran, V. Bajaj, and A. Sengur, “Convolutional Neural Network Based Approach Towards Motor Imagery Tasks EEG Signals Classification,” IEEE Sens. J., vol. 19, no. 12, pp. 4494–4500, 2019, doi: 10.1109/JSEN.2019.2899645.
• [15] G. Rodŕiguez-Beŕmudez and P. J. Gárcia-Laencina, “Automatic and adaptive classification of electroencephalographic signals for brain computer interfaces,” J. Med. Syst., vol. 36, no. SUPPL.1, 2012, doi: 10.1007/s10916-012-9893-4.
• [16] K. Polat and S. Güneş, “Classification of epileptiform EEG using a hybrid system based on decision tree classifier and fast Fourier transform,” Appl. Math. Comput., vol. 187, no. 2, pp. 1017–1026, 2007, doi: 10.1016/j.amc.2006.09.022.
• [17] A. Gupta et al., “On the Utility of Power Spectral Techniques with Feature Selection Techniques for Effective Mental Task Classification in Noninvasive BCI,” IEEE Trans. Syst. Man, Cybern. Syst., vol. 51, no. 5, pp. 3080–3092, 2021, doi: 10.1109/TSMC.2019.2917599.
• [18] F. Yger, M. Berar, and F. Lotte, “Riemannian Approaches in Brain-Computer Interfaces: A Review,” IEEE Trans. Neural Syst. Rehabil. Eng., vol. 25, no. 10, pp. 1753–1762, 2017, doi: 10.1109/TNSRE.2016.2627016.
• [19] R. Chatterjee, T. Bandyopadhyay, D. K. Sanyal, and D. Guha, “Comparative analysis of feature extraction techniques in motor imagery EEG signal classification,” Smart Innov. Syst. Technol., vol. 79, no. February, pp. 73–83, 2018, doi: 10.1007/978-981-10-5828-8_8.
• [20] R. Chaudhary, P., & Agrawal, “Non-dyadic wavelet decomposition for sensory-motor imagery EEG classificationTitle,” Brain-computer interfaces, vol. 7, no. 1–2, pp. 11–21, 2020.
• [21] A. Kevric, J., & Subasi, “Comparison of signal decomposition methods in classification of EEG signals for motor-imagery BCI system,” Biomed. Signal Process. Control, vol. 31, pp. 398– 406, 2017.
• [22] P. Wang, A. Jiang, X. Liu, J. Shang, and L. Zhang, “LSTMbased EEG classification in motor imagery tasks,” IEEE Trans. Neural Syst. Rehabil. Eng., vol. 26, no. 11, pp. 2086–2095, 2018, doi: 10.1109/TNSRE.2018.2876129.
• [23] M. Hamedi, S. H. Salleh, A. M. Noor, and I. Mohammad- Rezazadeh, “Neural network-based three-class motor imagery classification using time-domain features for BCI applications,” IEEE TENSYMP 2014 - 2014 IEEE Reg. 10 Symp., no. Mi, pp. 204–207, 2014, doi: 10.1109/tenconspring.2014.6863026.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).