Detection of error-related potentials to improve brain-computer interfaces
Authors
Nikolajsen, Christian ; Ingstrup, Esben
Term
4. term
Publication year
2008
Pages
102
Abstract
This project investigates whether error-related potentials (ErrP) in the brain’s electrical activity can help make brain-computer interfaces (BCI) more reliable. Specifically, we ask whether an ErrP can be detected when a BCI provides incorrect feedback after classifying an imagined task, and whether such responses can be distinguished from correct feedback. Six participants took part. EEG recordings were band-pass filtered, and eye-movement artifacts (EOG) were removed using independent component analysis. We evaluated several feature types (wavelet-based, statistical, and principal components) and four classification methods (template matching, linear discriminant analysis, multilayer perceptron, and support vector machine). Three participants showed a larger negative deflection around 500 ms after feedback on error trials compared with correct trials, consistent with prior reports. The best classification performance was achieved using signal samples as input to a support vector machine; mean accuracy was 62.6% for error trials and 66.7% for correct trials, with two participants reaching around 80%. These findings imply that ErrPs can be detected following erroneous feedback to an imagined task and may help improve the robustness of BCI systems.
Dette projekt undersøger, om fejlrelaterede potentialer (ErrP) i hjernens elektriske aktivitet kan bruges til at gøre brain-computer interfaces (BCI) mere pålidelige. Specifikt spørger vi, om et ErrP kan påvises, når en BCI giver forkert feedback efter klassifikation af en imaginær (mentalt forestillet) opgave, og om disse signaler kan skelnes fra korrekt feedback. Seks forsøgspersoner deltog. EEG-signaler blev båndpasfiltreret, og artefakter fra øjenbevægelser (EOG) blev fjernet med uafhængig komponentanalyse. Vi afprøvede flere featuretyper (wavelet-baserede, statistiske og hovedkomponenter) og fire klassifikationsmetoder (templatematching, lineær diskriminantanalyse, multilags-perceptron og supportvektormaskine). Tre deltagere udviste en tydeligere negativ deflektion omkring 500 ms efter feedback i fejlprøver end i korrekte prøver, i overensstemmelse med tidligere fund. Den bedste klassifikation blev opnået med signalsamples som input til en supportvektormaskine; den gennemsnitlige nøjagtighed var 62,6 % for fejlprøver og 66,7 % for korrekte prøver, mens to deltagere opnåede omkring 80 %. Resultaterne tyder på, at ErrP kan detekteres efter fejlagtig feedback på en imaginær opgave og dermed potentielt kan anvendes til at forbedre BCI-systemers robusthed.
[This apstract has been generated with the help of AI directly from the project full text]