Control of cursor movement based on EEG motor cortex rhythm using autoregressive spectral analysis

• Autorzy: Broniec A.

Warianty tytułu

PL

Sterowanie kursorem za pomocą rytmów motorycznych sygnału EEG z zastosowaniem spektralnej analizy autoregresyjnej

• Języki publikacji: EN

Abstrakty

EN

Electroencephalography (EEG) is a study of the electrical activity of neurons from the cerebral cortex which can be used to direct communication between man and computer. Systems using the signal generated by the brain are called brain computer/machine interfaces (BCI/BMI). The main application of BCI interfaces is the communicate for patients who suffer from severe diseases, which limited or precluded any movement. In the present paper the BCI interface based on EEG motor cortex signals is presented. The differences in power spectrum in beta rhythm for left and right hand movement imaginations is used to control cursor movement in two directions. The preliminary research shows that the proposed algorithm interpret correctly the intended cursor movement at about 70 percent.

PL

Elektroencefalografia (EEG) to metoda badania elektrycznej aktywności neuronów kory mózgowej, która może być wykorzystana do bezpośredniej komunikacji pomiędzy człowiekiem a komputerem. Systemy wykorzystujące sygnał generowany przez mózg nazywa się interfejsami mózg-komputer/-maszyna (BCI/BMI). Głównym zastosowaniem interfejsów BCI jest umożliwienie komunikacji ze światem zewnętrznym pacjentom w ciężkich stadiach chorób, które poważnie ograniczają lub uniemożliwiają jakiekolwiek ruch. W niniejszym artykule opisano interfejs BCI oparty na różnicach w widmie mocy występujących po wyobrażeniu ruchu prawą i lewą ręką w paśmie beta. Wstępne badania nad interfejsem pokazują, że proponowany algorytm jest w stanie skutecznie interpretować ruch kursora w dwóch kierunkach w około 70 procentach.

Słowa kluczowe

EN

BCI; ERD/ERS; EEG; Autoregressive Spectral Analysis

PL

BCI; ERD/ERS; EEG; spektralna analiza autoregresyjna

• Wydawca: Wydawnictwa AGH
• Czasopismo: Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
• Rocznik: 2011
• Tom: T. 15, z. 3
• Strony: 321--329
• Opis fizyczny: Bibliogr. 18 poz., rys., wykr.

Twórcy

autor

Broniec A.

• AGH University of Science and Technology, Faculty of Physics and Applied Computer Science, al. A. Mickiewicza 30, 30-059 Kraków, Poland

Bibliografia

• [1] Akaike H., A new look at the statistical model identification. IEEE Trans. Autom. Contr., 19(6), 1974, 716-723.
• [2] Cecotti H., Graser A., Convolutional Neural Networks for P300 Detection with Application to Brain-Computer Interfaces. IEEE Transactions on Pattern Analysis and Machinę Intelligence, vol. 33, No. 3, March, 2011, 433-45.
• [3] Dandan Huang, Lin R, Ding-Yu Fei, Xuedong Chen, Ou Bai, Decoding human motor activity from EEG single trials for a discrete two-dimensional cursor control. J. Neural Eng., 6, 2009.
• [4] Debnath L., Wavelet Transforms and Time-Frequency Signal Analysis. Birkhauser, Boston, 2001.
• [5] Fruitet J., McFarland D.J., Wolpaw J., A comparison of regression techniąues for a two-dimensional sensorimotor rhythm-based brain—computer interface. J. Neural Eng., 7, 2010.
• [6] Huan N., Palaniappan R., Neural network classification of autoregressive features from electroencephalogram signals for brain—computer interface design. J. Neural Eng., 1 (2004), 142—150.
• [7] Kubanek J., Miller K.J., Ojemann J.G., Wolpaw J.R., Schalk G., Decoding flexion of individual fingers using electrocorticographic signals in humans. J. Neural Eng., 6, 2009.
• [8] Mallat S.,A Wavelet Tour of SignalProcessing: The Sparse Way, 3rd ed. Academic Press, 2009.
• [9] McFarland D.J., Krusienski D.J., Sarnacki W.A.,Wolpaw J.R., Emulation ofcomputer mouse control with a noninvasive brain -computer interface. J. Neural Eng., 5(2), 2008, 101—110.
• [10] McFarland D.J., Wolpaw J.R., Sensorimotor rhythm-based brain-computer interface (BCI): model order selection for autoregressive spectral analysis. J. Neural Eng., 5, 2008, 155—162.
• [11] McFarland D.J, Sarnacki W.A., Wolpaw J.R., Electroencephalographic (EEG) control of three-dimensional movement. J. Neural Eng., 7, 2010.
• [12] Minghui Hu, Huihe Shao, Autoregressive spectral analysis based on statistical autocorrelation. Physica A, 2007, 139-146.
• [13] Schalk G., McFarland D.J., Hinterberger T., Birbaumer N., Wolpaw JR., BCI2000: A General-Purpose Brain-Computer Interface (BCI) System. IEEE Trans. Biomed. Eng., 51(6), 2004 Jun, 1034-43.
• [14] Takalo R., Hytti H., Ihalainen H., Tutorial on Univariate Autoregressive Spectral Analysis. Journal of Clinical Monitoring and Computing, vol. 19, No. 6, 2005, 401-10.
• [15] Walker G., Onperiodicity in series ofrelated terms. P. Roy. Soc. Lond. A Mat. 1931; A131: 518.
• [16] Wolpaw J.R., McFarland D.J., Control of a two-dimensional movement signal by a noninvasive brain-computer interface in humans. PNAS, vol. 101, No. 51, 2004, 17849-17854.
• [17] Yule GU., On a method of investigatingperiodidties in disturbed series. With special reference to Wólfers sunspot numbers. Philos T of Royal Soc. A 1927; A226: 267.
• [18] http://eeg.pl.