Online Classification of Movement Intention: An end-to-end EEG-based BCI Pipeline
Authors
de Frene, Fredrik ; Hansen, Christoffer ; Kærgaard, Simon Park
Term
4. term
Education
Publication year
2022
Abstract
This thesis investigates online classification of movement intention in a realistic, self-paced setting without external cues using an EEG-based BCI. We present an end-to-end pipeline designed to be as hands-off as possible: EEG, EMG, and EOG are recorded from ten healthy participants performing self-paced hand open/close movements; EMG-based movement onsets are detected with a threshold-driven clustering algorithm and proximity heuristics and cross-referenced with EEG to automatically label training data; two classifiers—a ViTransformer deep learning model and XGBoost gradient boosting—are then trained with extensive preprocessing and feature extraction. To assess online suitability, we introduce an online simulation suite that streams data at realistic rates and evaluates performance with metrics beyond accuracy, including precision and mean prediction latency. Our automatic labeling method copes better with noise than an earlier approach, and results show that strong offline performance does not necessarily translate to online use. In online simulations, XGBoost achieves the best results on a single subject, predicting 66.7% of movements with 81.5% ± 4.2 precision, 0.45 s ± 0.31 mean prediction latency, and 2.33 s ± 1.20 in a false-positive latency metric. Overall, the work contributes a new self-paced dataset, an automated labeling pipeline, and a general online simulation framework applicable to diverse classifiers.
Dette speciale undersøger, hvordan et EEG-baseret BCI-system kan klassificere bevægelsesintention online i en realistisk, selvstyret opgave uden eksterne cues. Vi præsenterer en end-to-end pipeline, der gør processen så håndfri som muligt: EEG, EMG og EOG registreres fra ti raske forsøgspersoner under selvstyrede åbne/lukke-bevægelser af hånden; bevægelser i EMG detekteres med en tærskelbaseret klyngealgoritme og nærhedsheuristikker og krydsrefereres med EEG for automatisk mærkning af træningsdata; derefter sammenlignes to klassifikatorer – en ViTransformer (dyb læring) og XGBoost (gradient-boosting) – med omfattende forbehandling og feature-ekstraktion. For at vurdere online-egnethed udvikler vi en onlinesimulationssuite, der strømmer data i realistisk takt og evaluerer med metrikker ud over klassisk nøjagtighed, herunder præcision og gennemsnitlig forudsigelseslatens. Vores automatiske mærkningsmetode håndterer støj bedre end en tidligere fremgangsmåde, og resultaterne viser, at god offline-ydeevne ikke nødvendigvis overføres til online brug. I onlinesimulationer opnår XGBoost de bedste resultater på et enkelt emne og forudsiger 66,7% af bevægelserne med 81,5% ± 4,2 i præcision, 0,45 s ± 0,31 i gennemsnitlig forudsigelseslatens og 2,33 s ± 1,20 i metrikken for falsk-positiv latens. Samlet bidrager arbejdet med et nyt selvstyret datasæt, en automatiseret mærkningspipeline og en generisk onlinesimulationsramme, der kan anvendes på forskellige klassifikatorer.
[This apstract has been generated with the help of AI directly from the project full text]