Change search
ReferencesLink to record
Permanent link

Direct link
Challenges With Session to Session Managementin Brain Computer Interfaces: A Comparison of Classification Methods for Motor Imagery Induced EEG Patterns
KTH, School of Computer Science and Communication (CSC).
KTH, School of Computer Science and Communication (CSC).
2014 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesis
Abstract [en]

Brain computer interfaces (BCIs) enable communication between a brain and a computer, without the need for any motor actions. Electroencephalography (EEG) signals can be used as input for a BCI, but they need to go through a number of steps in the BCI to create useableoutput. One of the most critical steps is the classification algorithm,which is the step that is investigated in this report. A linear and anonlinear Support Vector Machine (SVM), together with a Linear Discriminant Analysis (LDA), are investigated in how well they can handlesession to session performance when classifying EEG data from three different recording sessions of three different test subjects. The results show that the average performance of the classifiers are in most cases similar, slightly above 60 %. The performance of the investigated algorithms differed depending on subject and session. The sometime slow performance of the classification algorithms may be due to the lowsignal-to-noise ratio in the EEG signals, or possibly even due to bad performance in producing recognizable EEG patterns by the test subjects.The conclusion drawn from the project is that data from different sessions can vary quite extensively, and in this project it was handledbest by the nonlinear SVM with RBF kernel, with the highest averageclassification accuracy.

Abstract [sv]

Gränssnitt mellan hjärna och dator (BCI) möjliggör kommunikation utan behovet av någon motorisk rörelse. Elektroencefalografiska (EEG) signaler kan användas som indata till en BCI, men de behöver genomgåett antal steg i BCI:n för att göra om dem till användbar utdata. Ettav de mest kritiska stegen består av klassifikationsalgoritmen, vilket är det steg som undersöks i denna rapport. De algoritmer som undersöks i rapporten är en linjär och en ickelinjär Support Vector Machine(SVM), tillsammans med en Linear Discriminant Analysis (LDA), för att undersöka hur väl de kan hantera skillnader i EEG-datan från tre olika personer och sessioner. Resultaten visar att den genomsnittliga prestandan på klassifieringen i de flesta fallen är jämlik, strax ovanför60 %. Prestandan hos de olika klassifieringsalgoritmerna skiljer sig åt beroende på testperson och session. Den stundtals dåliga prestandan på klassifieringsalgoritmerna kan bero på den låga signal-till-brus kvotensom som finns hos EEG-signaler, men det kan möjligen även bero på dåliga prestationer i framkallandet av EEG-mönster hos testpersonerna. Slutsatsen som kan dras från projektet är att data från olika sessionerkan variera ganska mycket, och att i detta projektet hanterades detta bäst av den ickelinjära SVM:en med RBF-kärna som hade den högsta genomsnittliga klassifierings noggrannheten.

Place, publisher, year, edition, pages
National Category
Computer Science
URN: urn:nbn:se:kth:diva-157692OAI: diva2:771132
Available from: 2014-12-12 Created: 2014-12-12 Last updated: 2014-12-12Bibliographically approved

Open Access in DiVA

fulltext(3593 kB)97 downloads
File information
File name FULLTEXT01.pdfFile size 3593 kBChecksum SHA-512
Type fulltextMimetype application/pdf

By organisation
School of Computer Science and Communication (CSC)
Computer Science

Search outside of DiVA

GoogleGoogle Scholar
Total: 97 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

Total: 146 hits
ReferencesLink to record
Permanent link

Direct link