Evaluación experimental de aprendizaje máquina extremo aplicado a los sistemas de interfaz cerebro-ordenador basados en imaginación de movimiento

Abstract

[SPA] Un sistema de interfaz cerebro-ordenador o Brain Computer Interface (BCI) permite controlar dispositivos externos solo con la actividad eléctrica del cerebro. Es decir, permiten enviar comandos al exterior, prescindiendo de todo canal de comunicación muscular. Estos sistemas se desarrollan en varias fases: (i) Adquisición de electroencefalograma (EEG), (ii) Detección de artefactos, (iii) Extracción de características, (iv) Clasificación, (v) Lógica de operación, y (vi) Realimentación. Esta Tesis se centra en dos de estas fases: extracción de características y clasificación. A nivel general, los investigadores han propuesto diversas técnicas para cada una de las fases, con el fin de incrementar el rendimiento en Clasificación de estos sistemas, pero, lo más habitual, es probarlas con señales BCI estándar que se obtienen de repositorios disponibles en Internet, o de usuarios expertos que han sido entrenados para trabajar de forma exitosa con BCI. Por otra parte, en la fase de Clasificación, aún no han sido probadas en profundidad las Máquinas de Aprendizaje Extremo (ELM, Extreme Learning Machine). El objetivo de esta Tesis es evaluar la adecuabilidad del ELM como clasificador para su aplicación a interfaces BCI basadas en la imaginación del movimiento y teniendo en cuenta, tanto sujetos noveles, como expertos. Para ello, se ha utilizado una metodología basada en 2 experimentos. En el primer experimento se han capturado las señales EEG de 5 usuarios noveles. Se ha realizado una extracción de características mediante (PSD) y se han empleado 3 clasificadores (LDA, SVM y ELM). Los valores obtenidos con los clasificadores LDA y SVM se han utilizado como referencia para evaluar el rendimiento del ELM. Los resultados experimentales indican que sí es un método adecuado para clasificar señales de EEG de usuarios noveles, obtenidas bajo experimentos de BCI. l segundo experimento explora el conjunto de características y la configuración del ELM más adecuadas para este tipo de utilización. Para ello, se emplearon señales estándar, extraídas de conjuntos de datos de referencia, que se obtienen de Internet. Se han implementado tres métodos de extracción de características muy usados en BCI como son: PSD; AAR y Hjörth. Hay que tener en cuenta, que los sistemas BCI deben administrar las variaciones a lo largo del tiempo del EEG, ya que las características extraídas no son estacionarias. Por ello, para tomar en consideración la variabilidad de señal EEG, se definieron tres estrategias de combinación de las mismas. La clasificación se realizó de dos formas: a) utilizando las características de cada uno de estos métodos combinados según diferentes estrategias y probando 4 kernels diferentes para el ELM, (lineal, sigmoide, gaussiano y lsg como combinación), y b) utilizando las características de todos los métodos extraídas a la vez y convenientemente combinadas, probando otra vez los 4 kernels para el ELM. Los resultados obtenidos indican que el ELM ofrece bajos valores de adecuabilidad utilizando solo un método de extracción de características, independientemente de las estrategias de combinaciones empleadas y del núcleo implementado. Sin embargo, se observa una mejora de la precisión en la clasificación, mediante el uso de todas las características extraídas al mismo tiempo, adecuadamente combinadas y agrupadas. De esta forma, el ELM se convierte en un método valioso para ser aplicado en sistemas BCI basados en Imaginación de Movimiento.

[ENG] A Brain Computer Interface (BCI) system allows to control external devices only by the brain electrical activity. It allows to send commands to the outside world, without any muscular communication channel. These systems are developed in the following phases: (i) EEG acquisition, (ii) Artifact detection, (iii) Extraction of characteristics, (iv) Classification, (v) Logic of operation, and (vi) Feedback. This Thesis focuses on two of these phases: Feature Extraction and Classification. In the characteristics extraction phase the following techniques were implemented: Power Spectrum Density (PSD), Hjorth Parameters (H), Adaptive Autoregressive Coefficients (AAR) and Common Spatial Patterns (CSP). On the other hand, the techniques of Linear Discriminant Analysis (LDA), the Support Vector Machine (SVM) and the nearest K-Neighbours were used in the Classification stage. The researchers propose different techniques for each stage in order to increase the classification performance of these systems, but the more usual is to test them with standard BCI signals obtained from repositories available on the Internet, or from expert users trained to work success- fully with BCI. On the other hand, Extreme Learning Machines (ELMs) have not been thoroughly tested yet in the Classification phase. The aims of this Thesis was to assess the suitability of the ELM as a classifier to be applied to BCI interfaces based on the imagination of motion, taking into account both novel and expert subjects. With this aim, a methodology based on 2 experiments have been applied. In the first experiment the EEG signals of 5 new users were gathered. An extraction of characteristic using (PSD) has been performed and 3 classifiers (LDA, SVM and ELM) have been used. The values obtained from the LDA and SVM serve as reference for evaluating the performance of the ELM. Experimental results indicate that ELM is a suitable method to classify EEG signals from new users, obtained under BCI experiments. The second experiment explores what characteristics set and configuration of the ELM would be suitable for this type of use. Standard signals extracted from Internet reference data sets have been used. Three feature extraction methods widely used in BCI have been implemented: PSD, AAR and Hjorth. It should be noted that BCI systems must manage the EEG variations over time, since the characteristics extracted are not stable, therefore, three strategies were defined to take into account the EEG variability and their combination. The classification was performed in two ways: a) using the characteristics of each of these methods , according to combined different strategies and testing 4 different kernels for the ELM (linear, sigmoid, gaussian and lsg), by using the characteristics of all the methods, extracted at the same time, properly combined and testing again the 4 kernels for the ELM. The results showed low values of reliability of the ELM using only one characteristics extraction method, regardless of the strategies of combination used and the kernel implemented. However, there was an improvement in the accuracy in classification by using all the characteristics, extracted at the same time, appropriately combined and grouped. In this way, the ELM becomes a suitable method to be applied in BCI systems based on Motion Imagery.