One-class support vector machine for outlier detection in brain-computer interface

Brain-Computer Interface (BCI) represents the communication between the brain and a computer, which may be used to read and interpret the electrical activity of the brain through signal processing and machine learning. Such communication offers a great gamma of possibilities for the medical research, for example the development of neuroprosthetics controlled by motor imagery, wheelchair control and virtual spelling. The brain’s activity can be obtained from invasive – based on surgery for the electrode’s placement – or non-invasive methods, e.g. Electroencephalogram (EEG), functional Magnetic Resonance Imaging (fMRI), Magnetoencephalography (MEG) and Near-Infrared Spectroscopy (NIRS). For the EEG experiments, on which the current work focuses, two important phases of data collection are performed. The first is for the classifier’s learning (calibration phase), while the second is carried out in order to evaluate the classification performance during an online test with visual feedback (testing). The signal processing area has been widely explored and currently presents innumerous combinations of approaches regarding feature extraction through temporal and spatial filters, classification techniques and outliers removal. These techniques are focused on improving the BCI classification performance in order to assure a better reliability of the BCI-based devices. This report elucidates a novel method for the pre-processing of the EEG event-related (de)synchronization (ERS/ERD) features that results in an increase of the BCI’s final classification performance when combined with Common Spatial Patterns (CSP) spatial filters. Moreover, the current work will also illustrate how this method showed to be efficient for diverse machine signal processing choices, e.g. the number of CSP filters per class and the usage of shrinkage covariance matrix.

L’interfaccia cervello-computer (BCI) rappresenta la comunicazione tra il cervello ed un calcolatore, che può essere utilizzato per leggere ed interpretare l’attività elettrica del cervello tramite tecniche di elaborazione di segnali ed apprendimento automatico. Tale communicazione offre un’ampia gamma di possibilità per la ricerca medica; ad esempio, sviluppo delle neuroprotesi controllate dal pensiero, controllo di carrozzelle e spelling virtuale. L’attività del cervello può essere ottenuta attraverso metodi invasivi, basati sulla chirurgia per il collocamento degli elettrodi; oppure quelli non-invasivi, come ad esempio l’elettroencefalograma (EEG), la risonanza magnetica funzionale (fMRI), il magnetoencefalografia (MEG) e la spettroscopia nel vicino infrarosso (NIRS). Per gli esperimenti basati su EEG, su cui il presente progetto si basa, vi sono due fasi fondamentali per la registrazione dei dati. La prima è basata sull’apprendimento del classificatore, chiamata fase di calibrazione; mentre la seconda è eseguita per valutare la performance del classificatore durante un test online in presenza di feedback visivo per il soggetto. Il settore di elaborazione di segnali è stato molto esplorato in ricerca e perciò attualmente presenta diverse combinazioni di possibili approcci riguardo l’estrazione dei features attraverso filtri temporali e spaziali; oltre metodi di classificazioni e per la rimozione di outliers. Tali tecniche si concentrano nell’incremento della performance di classificazione di un sistema BCI per una maggiore affidabilità dei dispositivi. La presente tesi espone un nuovo metodo per la pre-elaborazione dei EEG-features chiamate (de)sincronizzazioni evento relate (ERS/ERD). L’applicazione di questo metodo, quando associata ai filtri spaziali Common Spatial Patterns (CSP), produce un considerabile incremento della performance finale. Inoltre sarà presentata anche la sua efficacia al cambiare delle tecniche di apprendimento automatico, ad esempio il numero di filtri utilizzati per il CSP oppure l’uso di matrice di covarianza con restringimento (shrinkage covariance matrix).