Implementation of BCI for classifying the intention of movement based on the location of EEG signal sources

• Autorzy: Jagodzińska-Szymańska U.

Identyfikatory

DOI

10.15199/13.2015.9.15

Warianty tytułu

PL

Implementacja BCI do klasyfikacji intencji ruchu w oparciu o lokalizację źródeł sygnałów EEG

• Języki publikacji: EN

Abstrakty

EN

The article describes the algorithm of EEG signal classification with reference to the movement which was used in BCI. The algorithm is based on the reconstruction of signals performed as a result of solving the inverse problem. The data for testing the algorithm were taken from the IDIAP database. Moreover, processed data on the 18-26 Hz frequency from the headset were used. The article presented both the algorithm and the example of the test that was performed. The test included cortical areas of the brain connected with Brodmann areas 4 and 6. The correctness of the classification depends on the precision of defining the movement areas involving the kind of movement (in the case under investigation moving the right and left hand). For the data obtained from the headset, the quality of the classification depends on preprocessing of the signal and the time that the classifier devoted to learning.

PL

W artykule opisano algorytm klasyfikacji sygnałów EEG dotyczących ruchu, który wykorzystano w BCI. Algorytm jest oparty na rekonstrukcji źródeł sygnałów wykonanej w wyniku rozwiązania zagadnienia odwrotnego. Dane do testowania algorytmu zostały wzięte z bazy IDIAP. Wykorzystano też przetworzone dane z headsetu dla częstotliwości 18-26 Hz. W artykule przedstawiono zarówno algorytm jak i przykład przeprowadzonego testu. W teście uwzględniono obszary kory mózgowej związane z polami Brodmanna 4 i 6. Poprawność klasyfikacji zależy od tego, jak precyzyjnie są brane pod uwagę obszary związane z polami ruchowymi dotyczącymi rodzaju ruchu (w rozpatrywanym przypadku dotyczące ruchu prawą i lewą ręką). W przypadku danych uzyskiwanych z headsetu jakość klasyfikacji zależy od wstępnego przetworzenia sygnału oraz od czasu nauki klasyfikatora.

Słowa kluczowe

EN

BCI; inverse problem; signal classification; cluster analysis

PL

BCI; zagadnienie odwrotne; klasyfikacja sygnałów; analiza klasterowa

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2015
• Tom: Vol. 56, nr 9
• Strony: 60--63
• Opis fizyczny: Bibliogr. 12 poz., tab., wykr.

Twórcy

autor

Jagodzińska-Szymańska U.

• PIT-RADWAR Spółka Akcyjna, Warszawa

Bibliografia

• [1] Dąbrowska M., Laus-Mączyńska K., Metody wyszukiwania i klasyfikacji informacji (Information Retrieval and Cassification. Survey of Methods.), WNT, 1978.
• [2] Jagodzińska U., Implementacja wybranej metody klasterowej do klasyfikacji źródeł sygnałów EEG związanych z wyobrażaniem ruchu (Implementation of the chosen cluster metod used for classification of EEG signal sources related to movement imagination), ELEKTRONIKA – KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA, October 2014, pp. 74–79.
• [3] Jagodzińska U., Zastosowanie teorii grafów do klasyfikacji sygnałów EEG (Implementation of graph theory for EEG signals classification), Materiały Konferencyjne, Konferencja Urządzenia i Systemy Radioelektroniczne (UiSR), PIT-RADWAR S.A., Jachranka 2014.
• [4] Jagodzińska U., Rozwiązanie zagadnienia odwrotnego jako klasyfikator sygnałów EEG w interfejsach mózg-komputer, Materiały Konferencyjne, Konferencja Urządzenia i Systemy Radioelektroniczne (UiSR), PIT-RADWAR S.A., Jachranka 2013.
• [5] Jagodzińska U., Applying algorithms for inverse solutions in classifiying EEG signals (Wykorzystywanie algorytmów do rozwiązywania zagadnień odwrotnych do klasyfikacji sygnałów EEG), ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA, wrzesień 2013, pp. 144–147.
• [6] Jagodzińska U., The implementation of algorithms for inverse solutions, Signal Processing Symposium, IEEE, 2013.
• [7] Jagodzińska U., Towards the applications of algorithms for inverse solutions in EEG Brain-Computer Interfaces, International Journal of Electronics and Telecommunications, ISSN 2081-8491, 2013, pp. 277–283.
• [8] Jagodzińska U., Oskwarek Ł, Metoda LORETA jako przykład metody rozwiązywania zagadnienia odwrotnego w interfejsie mózg-komputer, Materiały Konferencyjne, Konferencja Urządzenia i Systemy Radioelektroniczne (UiSR), Sobienie Królewskie: Bumar Elektronika S.A., 2012.
• [9] Jagodzińska U., Oskwarek Ł., Metoda LORETA jako przykład rozwiązywania zagadnienia odwrotnego w interfejsie mózg-komputer (Low resolution electromagnetic tomography metod as an example of solving the inverse problem in brain computer interface), ELEKTRONIKA, December 2012, pp. 89–91.
• [10] Kandel E.R., Schwartz J. H., Jessell T.M., Principles of neural science, McGraw-Hill Companies, Inc., 2000, pp. 757.
• [11] Noirhomme Q., Localization of Brain Functions: Stimulating Brain Activity and Source Reconstruction for Classification, Thèse présentée en vue de l’obtention du grande de Docteur en Science Appliquees, Universitate Catholique de Louvain, October 2006.
• [12] Pascual-Marqui R.S., Review of Methods for Solving the EEG Inverse Problem, International Journal of Bioelectromagnetism, v. 1, No.1 , 1999, pp. 75–86.