Published July 3, 2019 | Version v1
Publication Open

Multiclass EEG motor-imagery classification with sub-band common spatial patterns

Creators

  • 1. University of Engineering and Technology Lahore

Description

Electroencephalogram (EEG) signal classification plays an important role to facilitate physically impaired patients by providing brain-computer interface (BCI)-controlled devices. However, practical applications of BCI make it difficult to decode motor imagery-based brain signals for multiclass classification due to their non-stationary nature. In this study, we aim to improve multiclass classification accuracy for motor imagery movement using sub-band common spatial patterns with sequential feature selection (SBCSP-SBFS) method. Filter bank having bandpass filters of different overlapped frequency cutoffs is applied to suppress the noise signals from raw EEG signals. The output of these sub-band filters is sent for feature extraction by applying common spatial pattern (CSP) and linear discriminant analysis (LDA). As all of the extracted features are not necessary for classification therefore, selection of optimal features is done by passing the extracted features to sequential backward floating selection (SBFS) technique. Three different classifiers were then trained on these optimal features, i.e., support vector machine (SVM), Naïve-Bayesian Parzen-Window (NBPW), and k-Nearest Neighbor (KNN). Results are evaluated on two datasets, i.e., Emotiv Epoc and wet gel electrodes for three classes, i.e., right-hand motor imagery, left hand motor imagery, and rest state. The proposed model yields a maximum accuracy of 60.61% in case of Emotiv Epoc headset and 86.50% for wet gel electrodes. The computed accuracy shows an increase of 7% as compared to previously implemented multiclass EEG classification.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

يلعب تصنيف إشارة تخطيط كهربية الدماغ (EEG) دورًا مهمًا في تسهيل المرضى الذين يعانون من إعاقات جسدية من خلال توفير أجهزة تتحكم في واجهة الدماغ والحاسوب (BCI). ومع ذلك، فإن التطبيقات العملية لـ BCI تجعل من الصعب فك تشفير إشارات الدماغ القائمة على الصور الحركية للتصنيف متعدد الطبقات بسبب طبيعتها غير الثابتة. في هذه الدراسة، نهدف إلى تحسين دقة التصنيف متعدد الطبقات لحركة الصور الحركية باستخدام الأنماط المكانية الشائعة دون النطاق مع طريقة اختيار الميزات المتسلسلة (SBCSP - SBFS). يتم تطبيق مجموعة الترشيح التي تحتوي على مرشحات تمرير نطاقي لقطع التردد المتداخل المختلفة لقمع إشارات الضوضاء من إشارات EEG الأولية. يتم إرسال مخرجات مرشحات النطاق الفرعي هذه لاستخراج الميزات من خلال تطبيق النمط المكاني المشترك (CSP) وتحليل التمييز الخطي (LDA). نظرًا لأن جميع الميزات المستخرجة ليست ضرورية للتصنيف، يتم اختيار الميزات المثلى عن طريق تمرير الميزات المستخرجة إلى تقنية التحديد العائم المتسلسل (SBFS). ثم تم تدريب ثلاثة مصنفات مختلفة على هذه الميزات المثلى، أي آلة ناقلات الدعم (SVM)، ونافذة Parzen - Window الساذجة (NBPW)، و k - Nearest Neighbor (KNN). يتم تقييم النتائج على مجموعتين من البيانات، أي أقطاب Emotiv Epoc والهلام الرطب لثلاث فئات، أي صور المحرك الأيمن، وصور المحرك الأيسر، وحالة الراحة. ينتج النموذج المقترح دقة قصوى تبلغ 60.61 ٪ في حالة سماعة Emotiv Epoc و 86.50 ٪ لأقطاب الهلام الرطب. تُظهر الدقة المحسوبة زيادة بنسبة 7 ٪ مقارنة بتصنيف مخطط كهربية الدماغ متعدد الطبقات الذي تم تنفيذه مسبقًا.

Translated Description (French)

La classification des signaux d'électroencéphalogramme (EEG) joue un rôle important pour faciliter la vie des patients présentant une déficience physique en fournissant des dispositifs contrôlés par interface cerveau-ordinateur (BCI). Cependant, les applications pratiques de la BCI rendent difficile le décodage des signaux cérébraux basés sur l'imagerie motrice pour la classification multiclasse en raison de leur nature non stationnaire. Dans cette étude, nous visons à améliorer la précision de la classification multiclasse pour le mouvement de l'imagerie motrice en utilisant des modèles spatiaux communs de sous-bandes avec la méthode de sélection séquentielle des caractéristiques (SBCSP-SBFS). Un banc de filtres ayant des filtres passe-bande de différentes coupures de fréquence chevauchantes est appliqué pour supprimer les signaux de bruit des signaux EEG bruts. La sortie de ces filtres de sous-bandes est envoyée pour extraction de caractéristiques en appliquant un modèle spatial commun (CSP) et une analyse discriminante linéaire (LDA). Comme toutes les caractéristiques extraites ne sont pas nécessaires pour la classification, la sélection des caractéristiques optimales se fait en passant les caractéristiques extraites à la technique de sélection flottante arrière séquentielle (SBFS). Trois classificateurs différents ont ensuite été formés sur ces caractéristiques optimales, à savoir la machine à vecteur de support (SVM), la fenêtre de Parzen naïve-bayésienne (NBPW) et le k voisin le plus proche (KNN). Les résultats sont évalués sur deux ensembles de données, à savoir Emotiv Epoc et les électrodes en gel humide pour trois classes, à savoir l'imagerie motrice droite, l'imagerie motrice gauche et l'état de repos. Le modèle proposé donne une précision maximale de 60,61 % dans le cas du casque Emotiv Epoc et de 86,50 % pour les électrodes à gel humide. La précision calculée montre une augmentation de 7 % par rapport à la classification EEG multiclasse précédemment mise en œuvre.

Translated Description (Spanish)

La clasificación de la señal del electroencefalograma (EEG) desempeña un papel importante para facilitar a los pacientes con discapacidad física al proporcionar dispositivos controlados por la interfaz cerebro-ordenador (BCI). Sin embargo, las aplicaciones prácticas de BCI dificultan la decodificación de las señales cerebrales basadas en imágenes motoras para la clasificación multiclase debido a su naturaleza no estacionaria. En este estudio, nuestro objetivo es mejorar la precisión de la clasificación multiclase para el movimiento de imágenes motoras utilizando patrones espaciales comunes de subbanda con el método de selección secuencial de características (SBCSP-SBFS). Se aplica un banco de filtros que tiene filtros de paso de banda de diferentes cortes de frecuencia superpuestos para suprimir las señales de ruido de las señales de EEG sin procesar. La salida de estos filtros de subbanda se envía para la extracción de características mediante la aplicación de un patrón espacial común (CSP) y un análisis discriminante lineal (LDA). Como todas las características extraídas no son necesarias para la clasificación, por lo tanto, la selección de características óptimas se realiza pasando las características extraídas a la técnica de selección secuencial flotante hacia atrás (SBFS). A continuación, se entrenaron tres clasificadores diferentes sobre estas características óptimas, es decir, máquina de vectores de soporte (SVM), ventana de Parzen Naïve-Bayesian (NBPW) y k-Nearest Neighbor (KNN). Los resultados se evalúan en dos conjuntos de datos, es decir, Emotiv Epoc y electrodos de gel húmedo para tres clases, es decir, imágenes motoras de la mano derecha, imágenes motoras de la mano izquierda y estado de reposo. El modelo propuesto produce una precisión máxima del 60,61% en el caso de los auriculares Emotiv Epoc y del 86,50% para los electrodos de gel húmedo. La precisión calculada muestra un aumento del 7% en comparación con la clasificación de EEG multiclase implementada anteriormente.

Files

s13638-019-1497-y.pdf

Files (978.3 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:4a12e65ec4bffa26e15df13f07ab6ad5
978.3 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
تصنيف الصور الحركية لمخطط كهربية الدماغ متعدد الطبقات مع أنماط مكانية مشتركة فرعية النطاق
Translated title (French)
Classification de l'imagerie motrice EEG multiclasse avec des modèles spatiaux communs de sous-bandes
Translated title (Spanish)
Clasificación multiclase de imágenes motorizadas de EEG con patrones espaciales comunes de subbanda

Identifiers

Other
https://openalex.org/W2954035113
DOI
10.1186/s13638-019-1497-y

Is supplement to
https://openalex.org/W2997712664 (Other)
https://openalex.org/W2951110009 (Other)
https://openalex.org/W2947925238 (Other)
https://openalex.org/W2894943710 (Other)
https://openalex.org/W2887556756 (Other)
https://openalex.org/W2808042781 (Other)
https://openalex.org/W1984377984 (Other)
https://openalex.org/W1977940006 (Other)
https://openalex.org/W195417223 (Other)
https://openalex.org/W1513407214 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Pakistan

References

  • https://openalex.org/W1147354400
  • https://openalex.org/W1936293880
  • https://openalex.org/W1969878365
  • https://openalex.org/W1979167387
  • https://openalex.org/W1986208911
  • https://openalex.org/W2007345898
  • https://openalex.org/W2078087619
  • https://openalex.org/W2090262261
  • https://openalex.org/W2101036104
  • https://openalex.org/W2152119085
  • https://openalex.org/W2154848553
  • https://openalex.org/W2304100028
  • https://openalex.org/W2506670646
  • https://openalex.org/W2611785321
  • https://openalex.org/W2778861494
  • https://openalex.org/W2885152687
  • https://openalex.org/W2901905321