Decoding Movement Direction for Brain-Computer Interfaces using Depth and Surface EEG Recordings
Authors
Bolner, Federico ; Rohu, Victor
Term
4. term
Publication year
2012
Submitted on
2012-06-01
Pages
108
Abstract
Brain–computer interface (BCI) systems translate brain activity into device commands, yet many provide only binary choices. This project aims to enhance control by decoding multiple movement directions from both intracranial EEG (iEEG) and noninvasive scalp EEG. We recorded an experimental dataset during cue-based movement tasks and designed a multi-class, multi-channel decoding pipeline. The approach combines time-domain analysis of movement-related cortical potentials (MRCPs) to detect movement intention with time–frequency analysis to classify executed movement direction. We also compared strategies for spatial filtering, normalization, and classification. In offline evaluations, both intention detection and direction classification performed significantly above chance for iEEG and scalp EEG. These findings support the development of asynchronous BCIs that jointly detect movement onset and infer direction, enabling richer motor commands than conventional two-choice systems.
Hjerne-computer-interface (BCI) systemer oversætter hjernesignaler til kommandoer, men mange tilbyder kun binære valg. Dette projekt har til formål at øge kontrolmulighederne ved at dekode flere bevægelsesretninger fra både intrakraniel EEG (iEEG) og ikke-invasiv skalp-EEG. Vi indsamlede et eksperimentelt datasæt under cue-baserede bevægelsesopgaver og udviklede en multiklasse, multikanal-dekoder. Metoden kombinerer tidsdomæneanalyse af bevægelsesrelaterede kortikale potentialer (MRCP’er) for at detektere bevægelsesintention med tids-frekvensanalyse til klassifikation af den udførte bevægelsesretning. Derudover sammenlignede vi metoder til rumlig filtrering, normalisering og klassifikation. Ved offline-analyser lå både intentiondetektion og retningsklassifikation signifikant over tilfældighedsniveau for både iEEG og skalp-EEG. Resultaterne peger på muligheden for asynkrone BCI-systemer, der kan kombinere detektion af bevægelsesstart med estimering af retning og dermed muliggøre mere komplekse motoriske kommandoer end traditionelle to-valgs løsninger.
[This apstract has been generated with the help of AI directly from the project full text]
Keywords