Classification of movements of the rat based on intra-cortical signals using artificial neural network and support vector machine
Author
Corazzol, Martina
Term
4. term
Publication year
2012
Submitted on
2012-06-01
Pages
100
Abstract
Hjerne-computer-grænseflader (BCI'er) med intrakortikale signaler har til formål at genskabe tabte funktioner hos mennesker med alvorlige bevægelseshandicap ved at skabe en direkte forbindelse mellem hjernen og et eksternt hjælpemiddel. Dette sker ved at afkode signaler fra den primære motoriske cortex og omdanne dem til kommandoer til en protese. Projektets mål var at udvikle og afprøve en dekoder baseret på en rottemodel. Vi brugte tidligere indsamlede intrakortikale signaler fra rotters primære motoriske cortex (M1) samt en eksisterende forbehandlingsmetode. Forbehandlingen omfattede støjreduktion med en wavelet-teknik, registrering af neurale "spikes" (korte aktivitetsudladninger) og feature-ekstraktion. Efter udtræk af neuroners affyringsrater blev to maskinlæringsmetoder—kunstigt neuralt netværk (ANN) og supportvektormaskine (SVM)—anvendt til at klassificere rottebevægelser i to kategorier: "Hit" eller "No Hit". Fejlraterne ved klassifikation var statistisk forskellige for data med og uden støjreduktion (p<0,05), hvilket underbygger effektiviteten af den anvendte denoising-teknik. ANN og SVM gav sammenlignelige fejlrater i intervallet 14–39 %.
Intracortical brain–computer interfaces (BCIs) aim to restore lost abilities in people with severe movement impairments by creating a direct link between the brain and an external device. They work by decoding signals from the primary motor cortex and translating them into commands for a prosthetic device. This project set out to develop and test a decoding method using a rat model. We used previously recorded intracortical signals from the rats’ primary motor cortex (M1) and an existing data preprocessing pipeline. Preprocessing included wavelet-based denoising to reduce noise, detection of neural "spikes" (brief bursts of activity), and feature extraction. After extracting neuron firing rates, two machine-learning methods—an artificial neural network (ANN) and a support vector machine (SVM)—were used to classify the rats’ movements into two categories: "Hit" or "No Hit". Misclassification error rates were significantly different for denoised versus non-denoised data (p<0.05), supporting the effectiveness of the denoising technique. ANN and SVM produced comparable classification errors, ranging from 14% to 39%.
[This abstract was generated with the help of AI]
Documents