Improving error potential detection by machine learning : novel methodologies and neurophysiological insight

This thesis focuses on new ways to improve how brain-computer interfaces (BCIs) recognize errors in the brain's electrical activity. These errors are called ErrPs. The thesis proposes methods to make ErrP detection more accurate and easier to understand. One method creates more training data for errors by generating realistic brain activity patterns. Another method refines how errors are identified in single recordings. These techniques, combined with machine learning, significantly improve ErrP detection on existing data. Additionally, a new method is introduced for identifying errors on the fly, using multiple tools to achieve high accuracy with fewer false alarms. To understand why the new methods work better, the thesis uses special techniques to extract key features from the brain activity data. These features further enhance classification and improve simpler models. Finally, the thesis explores how factors like environment, how likely errors are, and attention influence ErrPs. Studies show these factors impact how ErrPs look and how easily they are detected. This suggests a link between attention and how we process errors. Overall, the thesis contributes to more reliable ErrP detection in BCIs, leading to more robust and interpretable BCI systems. It also opens doors for future research on attention and error processing in BCIs.

Questa tesi di dottorato esplora nuove tecniche per migliorare il rilevamento degli Error-Related Potential (ErrP) nelle Brain-Computer Interfaces (BCI). Gli ErrP, ovvero le risposte neurali agli errori, svolgono un ruolo cruciale nelle prestazioni dei BCI. La tesi propone metodi per migliorare l'accuratezza e l'interpretabilità della classificazione degli ErrP. Innanzitutto, l'utilizzo di un modello AutoRegressive with eXogenous input (ARX) affronta lo squilibrio dei dati generando dati EEG sintetici per la classe minoritaria (eventi ErrP). In secondo luogo, un metodo modificato di Regularizzazione del Subspazio affina la stima degli ErrP a singola prova. Queste tecniche, combinate con classificatori di machine learning, dimostrano significativi miglioramenti nell'accuratezza della classificazione degli ErrP su set di dati pubblicamente disponibili. Inoltre, viene introdotto un classificatore di ensemble per il rilevamento asincrono degli ErrP. Questo metodo utilizza un classificatore Linear Discriminant Analysis (LDA) seguito da una Convolutional Neural Network (CNN) EEGNet per ottenere un'elevata sensibilità riducendo al contempo i falsi positivi rispetto all'LDA da solo. Per migliorare l'interpretabilità, si sfrutta l'Explainable Artificial Intelligence (XAI) con Local Interpretable Model-agnostic Explanations (LIME) per estrarre caratteristiche da EEGNet per la classificazione degli ErrP. Queste caratteristiche migliorano le prestazioni su classificatori semplici e migliorano il modello di classificazione asincrona. Infine, la tesi esplora l'influenza dell'ambiente, della probabilità di errore e dell'attenzione sugli ErrP. Studi sperimentali rivelano differenze significative nelle caratteristiche degli ErrP e nelle prestazioni di classificazione tra un ambiente Monitor e un ambiente Virtual Theatre. Inoltre, una minore probabilità di errore (20%) ha provocato una risposta ErrP più forte e una classificazione migliorata rispetto a una probabilità più alta (50%). Questi risultati suggeriscono un legame tra attenzione ed elaborazione degli errori. Nel complesso, questa tesi contribuisce a un rilevamento degli ErrP più affidabile nei BCI, aprendo la strada a sistemi BCI più robusti e interpretabili e a future ricerche sull'elaborazione degli errori basata sull'attenzione e sulle applicazioni BCI.