Fast Cluster Exploration of BCI data using Riemannian Geometry
Authors
Gregersen, Adam René ; Jensen, Daniel Agerskov Hejdemann
Term
4. term
Education
Publication year
2014
Submitted on
2014-06-09
Abstract
This thesis presents BCI Explorer, a tool for fast, hierarchical exploration of unlabeled BCI/EEG data. The approach clusters spatial covariance matrices computed from time-windowed epochs using the Quick Shift mode-seeking algorithm to support multi-level data exploration. To obtain more accurate clusters, distances between covariance matrices are measured in the Riemannian space of symmetric positive definite matrices, but these computations are costly given Quick Shift’s many pairwise distance evaluations. To accelerate processing, we introduce a Dual Tree approach with metric trees built via the Anchors Hierarchy and propose new construction methods for the agglomeration phase tailored to the constraints of a non-vector space. Implemented in BCI Explorer and evaluated on a newly recorded dataset from 70 subjects using the Emotiv Epoc headset, results show greatly reduced computation time—especially for lower channel dimensions—and that relevant signal patterns can be recovered from clustered BCI data. The tool thus enables rapid, multi-scale data exploration to support subsequent labeling and classification.
Dette speciale præsenterer BCI Explorer, et værktøj til hurtig og hierarkisk udforskning af ulabellede BCI/EEG-data. Udgangspunktet er rumlige kovariansmatricer beregnet fra tidsvinduer (epoker), som klynges med Quick Shift for at understøtte udforskning på forskellige granularitetsniveauer. For mere præcise klynger måles afstande mellem kovariansmatricer i det Riemannske rum for symmetriske, positivt definite matricer, men disse beregninger er tunge, især fordi Quick Shift kræver mange parvise målinger. For at accelerere processen introducerer vi en Dual Tree-tilgang med metriske træer konstrueret via Anchors Hierarchy, og vi foreslår nye konstruktionsmetoder i agglomerationsfasen, tilpasset begrænsningerne ved et ikke-vektorrum. Implementeret i BCI Explorer og afprøvet på et nyoptaget datasæt fra 70 forsøgspersoner med Emotiv Epoc, viser resultaterne markant reduceret beregningstid, særligt ved lavere kanaldimensioner, og at relevante signalmønstre kan identificeres fra klyngede BCI-data. Værktøjet understøtter dermed hurtig, flerlaget dataudforskning som grundlag for efterfølgende mærkning og klassifikation.
[This apstract has been generated with the help of AI directly from the project full text]
Keywords