Detection and Classification of Movement-Related Cortical Potentials
Translated title
Detektion og klassificering af langsomme kortikale potentialer
Author
Jochumsen, Mads
Term
4. term
Publication year
2012
Submitted on
2012-06-01
Pages
68
Abstract
This thesis examines whether a noninvasive brain–computer interface (BCI) can detect and classify movement-related cortical potentials (MRCPs) from continuous scalp EEG to enable precise timing of electrical stimulation within a Hebbian, plasticity-inducing protocol. In a cue-based paradigm, multi-channel EEG was recorded from 12 participants across four movement classes, and performance was evaluated for different spatial filters: a large Laplacian filter (LLF), an optimized spatial filter (OSF), and a common spatial pattern (CSP) filter. Pairwise classification accuracies, detection performance, and a combined system metric were computed. The best pairwise classification was achieved for fast versus slow movements at 60% maximal voluntary contraction (MVC) using OSF (79±9%). The best detection performance was observed for fast movements at 60% MVC using LLF (true positive rate 85±17%), with movements detected approximately 0.5 s before onset. Overall, a 2-class system correctly detected and classified movements 61±15% of the time. These findings are promising and indicate that an MRCP-based BCI can provide timing and accuracy suitable for pairing MRCPs with afferent electrical stimulation in a Hebbian-associated, plasticity-inducing rehabilitation protocol.
Denne afhandling undersøger, om en ikke-invasiv hjerne-computer-grænseflade (BCI) kan detektere og klassificere bevægelsesrelaterede kortikale potentialer (MRCP’er) i kontinuerligt skalp-EEG for at muliggøre præcis tidsmæssig parring med elektrisk stimulering i en Hebbiansk, plasticitetsfremmende protokol. I et cue-baseret paradigme blev multikanals EEG registreret hos 12 deltagere på tværs af fire bevægelsesklasser, og ydeevnen blev vurderet for forskellige rumlige filtre: et stort Laplacian-filter (LLF), et optimeret rumligt filter (OSF) og et Common Spatial Pattern-filter (CSP). Der blev beregnet parvise klassifikationsnøjagtigheder, detektionspræstationer og en kombineret systemmetrik. Den bedste parvise klassifikation blev opnået for hurtige versus langsomme bevægelser ved 60% maksimal frivillig kontraktion (MVC) med OSF (79±9%). Den bedste detektion blev opnået for hurtige bevægelser ved 60% MVC med LLF (sand-positiv rate 85±17%), og bevægelser kunne detekteres cirka 0,5 s før bevægelsesstart. Samlet set korrekt detekterede og klassificerede et 2-klasses system bevægelser 61±15% af tiden. Resultaterne er lovende og indikerer, at en MRCP-baseret BCI kan levere timing og nøjagtighed, der understøtter parring af MRCP’er med afferent elektrisk stimulering på Hebbiansk vis i en plasticitetsinducerende rehabiliteringsprotokol.
[This apstract has been generated with the help of AI directly from the project full text]