Brain computer interfaces (BCI) play a key role in enabling individuals who are suffering from the dreaded locked-in syndrome or severe forms of paralysis to communicate with the world around them. A state of the art BCI was developed by Willet et al. which allows users to achieve writing speeds of up to 90 characters per minute, using only their brain. This research aims to investigate how well the data provided in that study can be compressed and subsequently classified using different techniques in order to speed up computation time. Several linear and nonlinear methods were investigated in order to provide an understanding of the linear and nonlinear tendencies of the brain. By extrapolating from the results, it was possible to conclude that the linear dimensionality reduction method PCA was in most cases significantly better at compressing brain activity data compared to its nonlinear counterpart KPCA. Further, for highly compressed brain activity data, the nonlinear machine learning model KSVM was significantly better at classifying letters compared to its linear counterpart LR. Next, it was possible to conclude that increasing bin sizes of electrodes was an effective way of compressing the data, as long as it was subsequently compressed using PCA and not KPCA. Finally, it was also possible to conclude that only including the most important electrodes was an effective approach to reducing the size of the original data set.

Brain Computer Interfaces (BCI) har en mycket viktig roll i att göra det möjligt för individer som lider av det fruktade locked-in syndromet eller allvarliga former av förlamning att kommunicera med omvärlden. En toppmodern BCI utvecklades i en studie av Willet et al. som gör det möjligt för användare att genom att enbart använda hjärnan uppnå skrivhastigheter på upp till 90 tecken per minut. Denna forskning syftar till att undersöka hur väl data som tillhandahålls i den tidigare nämnda studien kan komprimeras och därefter klassificeras med hjälp av olika tekniker för att påskynda beräkningstiden. Bland dessa tekniker undersöktes flera linjära och icke-linjära metoder för att ge en förståelse för hjärnans linjära och icke-linjära tendenser. Genom att extrapolera från resultaten var det möjligt att dra slutsatsen att den linjära dimensionsreduktionsmetoden PCA i de allra flesta fall var betydligt bättre på att komprimera hjärnaktivitetsdata jämfört med dess icke-linjära motsvarighet KPCA. Vidare, för kraftigt komprimerad hjärnaktivitetsdata, var den icke-linjära maskininlärningsmodellen KSVM betydligt bättre på att klassificera bokstäver jämfört med sin linjära motsvarighet LR. Därefter var det möjligt att dra slutsatsen att ökade lagerstorlekar för elektroder var ett effektivt sätt att komprimera data, så länge som den därefter komprimeras med PCA och inte KPCA. Slutligen var det också möjligt att dra slutsatsen att endast att inkludera de viktigaste elektroderna var ett effektivt sätt att minska storleken på den ursprungliga datamängden.