Adapting Graph WaveNet to predict movement intention from cue-based BCI trials
Author
Mátáoanu, Vlad
Term
4. term
Education
Publication year
2022
Pages
7
Abstract
Dette studie undersøger, om Graph WaveNet, en rum‑tidslig grafmodel, kan tilpasses til at afkode bevægelsesintention fra EEG i cue-baserede BCI-forsøg. Modellen blev ændret fra tidsserie-prognose til femklasses klassifikation af forestillet venstre hånd, højre hånd, begge fødder, tunge samt no movement. Datasættet var BCI Competition 2008 2a med 8 forsøgspersoner, 22 EEG-kanaler ved 250 Hz og to sessioner pr. person. EEG’en blev segmenteret i korte vinduer på 200 ms (50 målinger), og de rumlige relationer mellem elektroder blev indkodet i en naboskabsmatrice baseret på deres placering. Ydeevnen blev vurderet med nøjagtighed, Cohen’s kappa, F1-score, arealet under ROC-kurven og forudsigelseshastighed. I den beskrevne opsætning opnåede modellen høj nøjagtighed for bevægelseskategorierne (omkring 96 %), mens no movement var vanskeligere (omkring 60 %), bl.a. fordi disse vinduer ligger lige før og efter bevægelse. 200 ms vinduer gav de bedste resultater på tværs af mål. Metoden er begrænset af manglende generalisering på tværs af personer og forskelle mellem dage for samme person, men resultaterne peger på potentiale for hurtig og præcis MI-EEG‑klassifikation med mulig fremtidig anvendelse til kontrol af exoskeletter.
This study investigates whether Graph WaveNet, a spatiotemporal graph model, can be adapted to decode movement intention from EEG in cue-based BCI trials. The model was modified from time-series forecasting to five-class classification of imagined left hand, right hand, both feet, tongue, and a no movement class. The dataset was BCI Competition 2008 2a with 8 subjects, 22 EEG channels at 250 Hz, and two sessions per subject. EEG was segmented into short 200 ms windows (50 samples), and spatial relationships between electrodes were encoded via an adjacency matrix based on their locations. Performance was evaluated using accuracy, Cohen’s kappa, F1 score, area under the ROC curve, and prediction speed. In the described setting, the model achieved high accuracy on movement classes (about 96%), while no movement was harder (about 60%), partly because those windows straddle the borders before and after movement. A 200 ms window yielded the best overall results. The method is limited by poor cross-subject generalization and day-to-day variability within subjects, but the findings suggest promise for fast, accurate MI-EEG classification with potential future application to exoskeleton control.
[This summary has been generated with the help of AI directly from the project (PDF)]
Documents