Detection and Classification of Reaching and Grasping Motions for Brain-Computer Interface Applications

Detektering og klassificering af armbevægelser for brain-computer interface applikationer

Wais, Ardalan Ahmad

4. term

Biomedical Engineering and Informatics, Master

2019

2019-02-01

57

Baggrund: Personer med svære motoriske funktionsnedsættelser som amyotrofisk lateral sklerose (ALS) kan ikke altid bruge almindelige hjælpemidler, fordi de kræver frivillige bevægelser. En hjerne-computer-grænseflade (BCI) kan i stedet omsætte motorisk intention til kommandoer uden, at brugeren behøver at bevæge sig, hvilket kan øge uafhængighed og livskvalitet. I dette studie udviklede vi en random forest (RF)-model til at opdage og klassificere række- og gribebevægelser med henblik på at styre en robotarm. Metode: Modellen blev udviklet ud fra datasæt fra tre sessioner: 1) udførelse af række-bevægelser, 2) udførelse af gribe-bevægelser og 3) udførelse af både række- og gribebevægelser. EEG-signaler blev optaget fra ni kanaler, og motorrelaterede potentialer (MRCP’er)—langsomme hjernesignaler knyttet til planlægning og igangsætning af bevægelse—blev udtrukket som input til modellen. Resultater: Det var muligt at detektere både række- og gribebevægelser med en gennemsnitlig sand positiv rate (TPR, andelen af korrekt registrerede hændelser) på henholdsvis 90,63% ± 18,43% og 84,72% ± 21,76% på tværs af syv forsøgspersoner. Klassifikationsnøjagtigheden for række og gribe, baseret på to deltagere, der deltog i session to, var i gennemsnit 74,82% ± 11,44% på tværs af begge deltagere. Konklusion: Med en RF-model var det muligt at detektere og klassificere række- og gribebevægelser. Resultaterne peger på lovende muligheder for at anvende en MRCP-baseret BCI, så ALS-patienter kan styre en robotarm.

Background: People with severe motor impairments such as amyotrophic lateral sclerosis (ALS) often cannot use conventional assistive devices because these require voluntary movement. A brain–computer interface (BCI) can instead translate motor intention into commands without physical movement, potentially improving independence and quality of life. In this study, we developed a random forest (RF) model to detect and classify reaching and grasping movements for controlling a robotic arm. Methods: The RF model was trained on data from three sessions: 1) performing reaching movements, 2) performing grasping movements, and 3) performing both reaching and grasping. EEG signals were recorded from nine channels, and motor-related potentials (MRCPs)—slow brain signals linked to movement preparation and initiation—were extracted as features. Results: It was possible to detect both reaching and grasping with average true positive rates (TPR; the proportion of correctly detected events) of 90.63% ± 18.43% and 84.72% ± 21.76%, respectively, across seven participants. The classification accuracy for reaching and grasping, based on two participants who took part in session two, averaged 74.82% ± 11.44% across both participants. Conclusion: Using an RF model, we were able to detect and classify reaching and grasping movements. These findings suggest that an MRCP-based BCI could be used by people with ALS to control a robotic arm.

[This abstract was generated with the help of AI]

Brain-computer interface ; EEG ; Klassificering ; Maskinlæring ; BCI ; MRCP ; ALS

Download
View record in AAU Student Projects