Clasificación de señales EEG para aplicaciones BCI de imaginación motora

• Omari, Sara ^[1] ; Omari, Adil ^[1] ; Abderrahim Fichouche, Mohamed ^[1] ; Adu-Dakka, Fares J. ^[2]
  1. [1] Universidad Carlos III de Madrid

     Universidad Carlos III de Madrid

     Madrid, España

     
  2. [2] Universidad de Mondragón/Mondragon Unibertsitatea

     Universidad de Mondragón/Mondragon Unibertsitatea

     Mondragón, España

     
• Localización: Jornadas de Automática, ISSN-e 3045-4093, Nº. 45, 2024
• Idioma: español
• Títulos paralelos:
  • EEG signal classification for BCI Motor Imagery applications
• Enlaces
  • Texto completo
• Resumen
  • español

    La decodificación de señales EEG constituye la base de la mayoría de los estudios de interfaces cerebro-computadora. Una técnica prominente de preprocesamiento para estas señales implica el uso de matrices de covarianza. Este método ha ganado una amplia aplicación en los últimos años, particularmente en el procesamiento de señales EEG y el filtrado espacial para BCI de imaginación motora. Dado que las matrices de covarianza residen dentro de la variedad Riemanniana de matrices SPD, la aplicación de la geometría Riemanniana ha demostrado ser un enfoque robusto y de alto rendimiento. Con el fin de interpretar las señales cerebrales para aplicaciones futuras en robótica médica y sistemas de control, este artículo presenta un método que proyecta estas matrices de covarianza desde su espacio Riemanniano nativo a múltiples espacios tangentes, lo que permite el uso de clasificadores convencionales como la regresión logística y las máquinas de vectores de soporte. Nuestros resultados demuestran que este enfoque supera significativamente el método de proyección única.

  • English

    EEG signal decoding serves as the foundation for the majority of brain-computer interface studies. A prominent preprocessing technique for these signals involves the use of spatial covariance matrices. This method has gained extensive application in recent years, particularly in EEG signal processing and spatial filtering for BCI motor imagery. Since spatial covariance matrices reside within the Riemannian manifold of Symmetric Positive-Definite matrices, the application of Riemannian geometry has provento be a robust and high-performing approach. In order to interpret brain signals for future applications in medical robotics and control systems, this paper presents a method that projects these covariance matrices from their native Riemannian spaceto multiple tangent spaces, thereby enabling the use of conventional classifiers such as logistic regression and support vector machines. Our results demonstrate that this approach significantly outperforms the single projection method.