Complete Tetraplegia is a paralysis of all limbs and chest. It is caused by neurological diseases or injures of the brain or the spinal cord. Since it is a very debilitating condition, the problem of lack of communication capacity has to be faced in order to improve the quality of life of those people who suffer from this illness. In this work, we try to explore the Brain Computer Interface (BCI) technology focusing on BCI based on “Steady State Visual Evoked Potential” (SSVEP). This kind of evoked potential occurs when a subject stare at a flickering light and can be detected as a brain wave oscillating at the same frequency of the flickering light. Based on this physiological response, we can build a device allowing the patient to directly communicate some predefined commands to the external environment. According to this idea, if we present to a patient (with residual motor eye capacity) a set of lights flickering at different frequency, link every light to a specific command and spot with high accuracy the evoked potential in the EEG track, we should be able to point out which command the user wishes to communicate. Thus, this kind of “assistive device” could be connected to a physical implementation of these commands (e.g. opening or closing window and door, turning on or off environment lights..) improving the autonomy and independence and hence the quality of life of subjects with severe motor impairment. In this thesis, we will detail the SSVEP phenomenon, new signal processing approaches, optimization of protocols and different machine learning classifiers with the final aim of reaching a high level of accuracy in interpreting user intents. Autoencoder, Hjorth parameters are applied in order to find out interesting features. Mainly because of the low Signal Noise Ratio highlighted by PSD, these general methods don’t bring to satisfactory results. A regularized Common Spatial Filter is furthermore trained and applied on maximizing the variance between channels, unfortunately not showing proper features space for a classifier to be trained. On the other hand, Canonical Correlation Analysis-method seems to lead to an appropriate features vector, made by four ρ. These features mean the value of correlation between the raw EEG signal, and four matrixes of the simulated four frequencies of the flickering LED. Different kind of adaptive and unsupervised Clustering algorithms are tried and the results are validate. At the best of their performance they reach around 40% of FN and around 5-10 FP every half an hour. Understanding those results could be improved, we train supervised classifier. We propose a new protocol of 1 minute in which the user is guided to give some commands. This époque is used as a “training period” for SVM and ANN algorithms. A proper SVM is trained in the non-linear features space leading to around 20% of FN and less than 10 FP rate. Time series ANN delayed Artificial Neural Network (Feedforward and Narx) are also applied. In this case, several networks are trained in taking in inputs current and past features. The results are similar to the SVM algorithms.

La tetraplegia completa è la paralisi degli arti e del tronco, le cui cause sono da ricercarsi in malattie neurodegenerative o lesioni a livello della corteccia o della spina dorsale. Tale condizione è altamente debilitante e uno dei problemi che porta con sé è l’incapacità di comunicazione. Al fine di un incremento della qualità della vita di chi soffre di questa condizione, il problema della comunicazione deve essere affrontato e risolto. In questo lavoro di tesi si esplorerà la tecnologia di Interfaccia Neurale (Brain Computer Interface, BCI) concentrandosi sui Potenziali Evocati Visivi Transienti (Steady State Visual Evoked Potential, SSVEP). Questa tipologia di potenziali si verifica quando un soggetto fissa una sorgente luminosa che lampeggia; tali potenziali evocati sono rilevati come onde cerebrali alla stessa frequenza dello stimolo. Basandosi su questa risposta fisiologica, si può costruire un dispositivo che permetta ad un soggetto l’autonoma comunicazione di una serie di comandi predefiniti. Se ad un paziente con residua capacità motoria oculare, si presentano luci che lampeggiano a diversa frequenza, si associa ciascuna luce ad un comando e si riesce a rilevare i potenziali evocati nel tracciato EEG con elevata accuratezza, si è in grado di interpretare automaticamente le intenzioni del soggetto. Questo tipo di “dispositivo assistivo” può essere quindi connesso ad un implementazione fisica dei comandi (ad esempio, l’apertura o la chiusura di una porta o di una finestra, la regolazione della luminosità di una luce..) aumentando l’autonomia, l’indipendenza e quindi la qualità della vita di un soggetto con grave disabilità motoria. In questa tesi si studierà il fenomeno delle SSVEP, nuovi approcci di trattamento del segnale, ottimizzazione di protocolli e differenti classificatori basati sul Machine Learning con lo scopo finale di raggiungere un alto livello di accuratezza nella classificazione e nell’interpretazione delle intenzioni dell’utilizzatore. Sono stati applicati metodi basati su Autoencoder ed estrazione dei parametri di Hjorth nella ricerca di caratteristiche di interesse del segnale. A causa del basso Rapporto Segnale Rumore, evidenziato dal calcolo dello Spettrogramma, questi algoritmi non sono in grado di condurre a risultati soddisfacenti. Viene addestrato anche un filtro CSP con lo scopo di massimizzare la varianza tra i canali, conducendo sfortunatamente a uno spazio di feature con ridotta capacità discriminatoria su cui un classificatore è difficilmente applicabile. D’altra parte, il metodo della Correlazione Canonica fornisce in output un appropriato vettore di feature, costitutito dai quattro valori di ρ. Queste feature sono il valore di correlazione tra il segnale EEG grezzo e quattro matrici che simulano il potenziale evocato dalle quattro frequenze dei LED. Vengono testati differenti tipi di algoritmi adattivi non supervisionati di Clustering, e i risultati validati, conducendo al meglio delle loro performance a una percentuale del 40% di Falsi Negativi e circa 5-10 Falsi Positivi ogni 30 minuti di utilizzo. Dal momento che tali risultati potrebbero essere migliorati, sono testati algoritmi supervisionati. Si propone un nuovo protocollo di un minuto nel quale l’utente viene guidato a fornire alcuni comandi. Tale epoca è usata come periodo di training per le SVM e le Reti Neurali. Un modello SVM viene addestrato e scelto automaticamente dall’algoritmo, portando al 20% di Falsi Negativi e rimanendo sotto i 10 Falsi Positivi. Considerando i vettori di feature come serie temporali, vengono addestrate inoltre Reti Neurali con ritardi e feedback variabili (Feedforward e Narx). Gli input delle reti sono le feature e gli output presenti e passati. I risultati sono simili e comparabili alle performance degli algoritmi SVM.

Valutazione di metodi per l'analisi di segnali SSVEP nell'interpretazione di comandi per un dispositivo BCI

MATTIOLI, MICHELE
2014/2015

Abstract

Complete Tetraplegia is a paralysis of all limbs and chest. It is caused by neurological diseases or injures of the brain or the spinal cord. Since it is a very debilitating condition, the problem of lack of communication capacity has to be faced in order to improve the quality of life of those people who suffer from this illness. In this work, we try to explore the Brain Computer Interface (BCI) technology focusing on BCI based on “Steady State Visual Evoked Potential” (SSVEP). This kind of evoked potential occurs when a subject stare at a flickering light and can be detected as a brain wave oscillating at the same frequency of the flickering light. Based on this physiological response, we can build a device allowing the patient to directly communicate some predefined commands to the external environment. According to this idea, if we present to a patient (with residual motor eye capacity) a set of lights flickering at different frequency, link every light to a specific command and spot with high accuracy the evoked potential in the EEG track, we should be able to point out which command the user wishes to communicate. Thus, this kind of “assistive device” could be connected to a physical implementation of these commands (e.g. opening or closing window and door, turning on or off environment lights..) improving the autonomy and independence and hence the quality of life of subjects with severe motor impairment. In this thesis, we will detail the SSVEP phenomenon, new signal processing approaches, optimization of protocols and different machine learning classifiers with the final aim of reaching a high level of accuracy in interpreting user intents. Autoencoder, Hjorth parameters are applied in order to find out interesting features. Mainly because of the low Signal Noise Ratio highlighted by PSD, these general methods don’t bring to satisfactory results. A regularized Common Spatial Filter is furthermore trained and applied on maximizing the variance between channels, unfortunately not showing proper features space for a classifier to be trained. On the other hand, Canonical Correlation Analysis-method seems to lead to an appropriate features vector, made by four ρ. These features mean the value of correlation between the raw EEG signal, and four matrixes of the simulated four frequencies of the flickering LED. Different kind of adaptive and unsupervised Clustering algorithms are tried and the results are validate. At the best of their performance they reach around 40% of FN and around 5-10 FP every half an hour. Understanding those results could be improved, we train supervised classifier. We propose a new protocol of 1 minute in which the user is guided to give some commands. This époque is used as a “training period” for SVM and ANN algorithms. A proper SVM is trained in the non-linear features space leading to around 20% of FN and less than 10 FP rate. Time series ANN delayed Artificial Neural Network (Feedforward and Narx) are also applied. In this case, several networks are trained in taking in inputs current and past features. The results are similar to the SVM algorithms.
MORA, NICCOLO'
DE MUNARI, ILARIA
ING - Scuola di Ingegneria Industriale e dell'Informazione
27-apr-2016
2014/2015
La tetraplegia completa è la paralisi degli arti e del tronco, le cui cause sono da ricercarsi in malattie neurodegenerative o lesioni a livello della corteccia o della spina dorsale. Tale condizione è altamente debilitante e uno dei problemi che porta con sé è l’incapacità di comunicazione. Al fine di un incremento della qualità della vita di chi soffre di questa condizione, il problema della comunicazione deve essere affrontato e risolto. In questo lavoro di tesi si esplorerà la tecnologia di Interfaccia Neurale (Brain Computer Interface, BCI) concentrandosi sui Potenziali Evocati Visivi Transienti (Steady State Visual Evoked Potential, SSVEP). Questa tipologia di potenziali si verifica quando un soggetto fissa una sorgente luminosa che lampeggia; tali potenziali evocati sono rilevati come onde cerebrali alla stessa frequenza dello stimolo. Basandosi su questa risposta fisiologica, si può costruire un dispositivo che permetta ad un soggetto l’autonoma comunicazione di una serie di comandi predefiniti. Se ad un paziente con residua capacità motoria oculare, si presentano luci che lampeggiano a diversa frequenza, si associa ciascuna luce ad un comando e si riesce a rilevare i potenziali evocati nel tracciato EEG con elevata accuratezza, si è in grado di interpretare automaticamente le intenzioni del soggetto. Questo tipo di “dispositivo assistivo” può essere quindi connesso ad un implementazione fisica dei comandi (ad esempio, l’apertura o la chiusura di una porta o di una finestra, la regolazione della luminosità di una luce..) aumentando l’autonomia, l’indipendenza e quindi la qualità della vita di un soggetto con grave disabilità motoria. In questa tesi si studierà il fenomeno delle SSVEP, nuovi approcci di trattamento del segnale, ottimizzazione di protocolli e differenti classificatori basati sul Machine Learning con lo scopo finale di raggiungere un alto livello di accuratezza nella classificazione e nell’interpretazione delle intenzioni dell’utilizzatore. Sono stati applicati metodi basati su Autoencoder ed estrazione dei parametri di Hjorth nella ricerca di caratteristiche di interesse del segnale. A causa del basso Rapporto Segnale Rumore, evidenziato dal calcolo dello Spettrogramma, questi algoritmi non sono in grado di condurre a risultati soddisfacenti. Viene addestrato anche un filtro CSP con lo scopo di massimizzare la varianza tra i canali, conducendo sfortunatamente a uno spazio di feature con ridotta capacità discriminatoria su cui un classificatore è difficilmente applicabile. D’altra parte, il metodo della Correlazione Canonica fornisce in output un appropriato vettore di feature, costitutito dai quattro valori di ρ. Queste feature sono il valore di correlazione tra il segnale EEG grezzo e quattro matrici che simulano il potenziale evocato dalle quattro frequenze dei LED. Vengono testati differenti tipi di algoritmi adattivi non supervisionati di Clustering, e i risultati validati, conducendo al meglio delle loro performance a una percentuale del 40% di Falsi Negativi e circa 5-10 Falsi Positivi ogni 30 minuti di utilizzo. Dal momento che tali risultati potrebbero essere migliorati, sono testati algoritmi supervisionati. Si propone un nuovo protocollo di un minuto nel quale l’utente viene guidato a fornire alcuni comandi. Tale epoca è usata come periodo di training per le SVM e le Reti Neurali. Un modello SVM viene addestrato e scelto automaticamente dall’algoritmo, portando al 20% di Falsi Negativi e rimanendo sotto i 10 Falsi Positivi. Considerando i vettori di feature come serie temporali, vengono addestrate inoltre Reti Neurali con ritardi e feedback variabili (Feedforward e Narx). Gli input delle reti sono le feature e gli output presenti e passati. I risultati sono simili e comparabili alle performance degli algoritmi SVM.
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
2015_04_Mattioli.pdf

accessibile in internet per tutti

Descrizione: Valutazione di metodi per l’analisi di segnali SSVEP nell’interpretazioni di comandi per un dispositivo BCI
Dimensione 2.91 MB
Formato Adobe PDF
2.91 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/120964