Developing a BCI system for multible prdictor tasks using a consumer grade EEG reader
Authors
Sørensen, Daniel Bøcker ; Jensen, Anders ; Kirk, Nicolai Lund Hasager
Term
4. term
Education
Publication year
2015
Submitted on
2015-06-11
Pages
60
Abstract
Dette projekt udvikler en hjerne-computer-interface (BCI) ved hjælp af et almindeligt, forbrugervenligt EEG-headset. Vi beskriver hele kæden fra signaloptagelse og forbehandling til udtrækning af kendetegn og brug af maskinlæring til både klassifikation (valg mellem kategorier) og regression (estimat af en kontinuerlig værdi). Vi udnytter Riemannsk geometri, hvor EEG-data repræsenteres på en måde (fx via kovariansmønstre), der passer naturligt til et krummet geometrisk rum og kan klassificeres direkte. Vi undersøger to sådanne metoder: Minimum Distance to Riemannian Mean (MDRM) og Tangent Space LDA (TSLDA). De testes og sammenlignes med en udbredt tilgang, Common Spatial Patterns (CSP) kombineret med Linear Discriminant Analysis (LDA), som vi tidligere har arbejdet med. Derudover undersøger vi, hvordan et BCI kan forudsige to typer output på samme tid ved at kombinere klassifikation og regression, hvilket åbner for nye måder at bruge systemet på. Rapporten dokumenterer udviklingen af dette BCI med to samtidige forudsigelsesopgaver og opsummerer de opnåede resultater.
This project develops a brain–computer interface (BCI) using an affordable, consumer-grade EEG headset. We cover the full pipeline: recording brain signals, preprocessing, extracting features, and applying machine learning for both classification (choosing among categories) and regression (estimating a continuous value). We leverage Riemannian geometry, in which EEG data—represented in forms such as covariance patterns—are handled in a curved geometric space that enables direct classification. We study two methods from this family: Minimum Distance to Riemannian Mean (MDRM) and Tangent Space LDA (TSLDA). These are tested and compared with a widely used approach, Common Spatial Patterns (CSP) combined with Linear Discriminant Analysis (LDA), which we have explored previously. We also investigate combining two prediction tasks at once by running classification and regression simultaneously, opening new ways to use a BCI. The report documents the development of this dual-task BCI system and summarizes the findings of the evaluated methods.
[This abstract was generated with the help of AI]
Documents