Asynchronous activation of a motor imagery BCI using EEG-based eye closure detection

In recent decades, Brain-Computer Interfaces (BCIs) based on Electroencephalography (EEG) have gained significant attention for their potential to revolutionize rehabilitation, restoration and human-computer interactions. This thesis presents the development of an asynchronous BCI system, where a brief eye closure signals readiness for classification, enabling independent and voluntary use. Asynchronous activation is crucial for real-world applications, distinguishing these systems from their synchronous counterparts. The system further integrates motor imagery detection for command execution. The experimental protocol involved EEG recordings from participants during two tasks: Eyes Closed (EC) vs. Eyes Open (EO) and Motor Imagery (MI) vs. Resting State (Re). Preprocessing steps included filtering and feature extraction using Power Spectral Density (PSD) for eye-state detection and Common Spatial Patterns (CSP) for motor imagery. Classification was performed using Support Vector Machines (SVM) and EEGNet, with models trained using Subject-Specific, Leave-One-Out, and Fine-Tuning paradigms. Results demonstrated high accuracy for EC vs. EO in the SVM models, affirming the robustness of alpha band features. However, MI vs. Rest classification yielded suboptimal performance, highlighting the difficulty of distinguishing motor imagery. Notably, EEGNet demonstrated improved performance overall for eye-state detection, especially the Fine-Tuning approach, suggesting the potential of Neural Networks and transfer learning in BCI applications. These findings underscore the practical feasibility of using eye closure as a reliable activation signal for an asynchronous BCI. However, challenges such as high false-positive rates in motor imagery tasks and variability across subjects remain significant. Future work should pursue testing real-time classification of EC/EO states with transfer-learning based CNNs as well as focus on optimizing MI classification and refining the system for real-world deployment.

Negli ultimi decenni, le Interfacce Cervello-Computer (BCI) basate su Elettroencefalografia (EEG) hanno attirato un'attenzione crescente per il loro potenziale nel rivoluzionare la riabilitazione, il recupero e le interazioni uomocomputer. Questa tesi presenta lo sviluppo di un sistema BCI asincrono, in cui una breve chiusura degli occhi segnala la prontezza alla classificazione, consentendo un uso indipendente e volontario. L'attivazione asincrona è cruciale per le applicazioni nel mondo reale, distinguendo questi sistemi dai loro omologhi sincroni. Il sistema integra, inoltre, il rilevamento dell'immaginazione motoria per l'esecuzione dei comandi. Il protocollo sperimentale ha previsto acquisizioni EEG di partecipanti durante due compiti: Occhi Chiusi (EC) vs. Occhi Aperti (EO) e Immaginazione Motoria (MI) vs. Stato di Riposo (Re). I passaggi di pre-processing hanno incluso il filtraggio e l'estrazione delle caratteristiche utilizzando la Densità Spettrale di Potenza (PSD) per il rilevamento dello stato degli occhi e i Pattern Spaziali Comuni (CSP) per l'immaginazione motoria. La classificazione è stata eseguita utilizzando Support Vector Machines (SVM) ed EEGNet, con modelli addestrati utilizzando paradigmi Soggetto-specifico, Leave-One-Out e Fine-Tuning. I risultati hanno dimostrato un'elevata accuratezza per EC vs. EO nei modelli SVM, confermando la robustezza delle caratteristiche della banda alfa. Tuttavia, la classificazione MI vs. Re ha dato risultati subottimali, evidenziando la difficoltà nel distinguere l'immaginazione motoria. In particolare, EEGNet ha mostrato prestazioni migliorate complessivamente per il rilevamento dello stato degli occhi, specialmente nell'approccio Fine-Tuning, suggerendo il potenziale delle Reti Neurali e del transfer learning nelle applicazioni BCI. Questi risultati sottolineano la fattibilità pratica dell'uso della chiusura degli occhi come segnale di attivazione affidabile per un BCI asincrono. Tuttavia, sfide come l'elevato tasso di falsi positivi nei compiti di immaginazione motoria e la variabilità tra soggetti restano significative. Lavor futuri dovrebbero mirare a testare la classificazione in tempo reale degli stati EC/EO con CNN basate su transfer learning, oltre a concentrarsi sull'ottimizzazione della classificazione MI e sul perfezionamento del sistema per l'implementazione nel mondo reale.