Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Generalisation in brain computer interface classification
KTH, School of Electrical Engineering and Computer Science (EECS).
KTH, School of Electrical Engineering and Computer Science (EECS).
1992 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Generalisering i brain computer interface klassificering (Swedish)
Abstract [en]

Brain computer interfaces (BCIs) are systems that allow users to interact with devices without relying on the neuromuscular pathways. This interaction is achieved by allowing the system to read the electrical activity of the brain and teaching it to map certain patterns of activation to certain commands. There are many applications for BCIs ranging from controlling prosthetics to gaming, but adapting both the user and the system to one another is a time and resource consuming process. Even more problematic, BCIs tend to only perform well for a single user and only for a limited time. This paper aims to investigate the accuracy of single-subject singlesession BCIs on other subjects and other sessions. To that end three different classifiers, a Support Vector Machine (SVM), Convolutional Neural Network (CNN) and Long Short-Term Memory network (LSTM) are developed and tested on a data set consisting of five subjects, two sessions for a binary classification task. Our results show that training on single-subject single-session data leads to an average cross-subject accuracy of 45-50% and an average cross-session accuracy of 50-55%. We find that there is no statistically significant difference in accuracy depending on the classifier used and discuss factors that affect generalization such as model complexity and good subjects.

Abstract [sv]

Brain computer interfaces (BCIs) är system som gör det möjligt för användare att interagera med apparater utan behov av de neuromuskulära banorna. Den här interaktionen möjliggörs genom att systemet läser den elektriska aktiviteten i hjärnan och lär sig associera vissa mönster av aktivitet till vissa kommandon. Det finns många användningsområden för BCIs, från att kontrollera proteser till spel, men att anpassa både användaren och systemet till varandra är en process som kräver både tid och resurser. Än värre, BCIs tenderar att bara funka bra för en enskild användare och bara under en begränsad tid. Den här rapporten avser undersöka hur bra ett BCI system tränat på data för ett subjekt och en session är på klassificering av data för andra subjekt och andra sessioner. Tre typer av klassificerare, en Support Vector Machine (SVM), Convolutional Neural Network (CNN) och Long Short-Term Memory network (LSTM) byggs och utvärderas på data från fem subjekt över två sessioner på en binär klassificeringuppgift. Våra resultat indikerar att träning på data för ett subjekt, en session leder till en genomsnittlig pricksäkerhet på 45-50% på andra subjekt, 50-55% på andra sessioner. Vi finner även att det inte finns någon statistiskt signifikant skillnad i pricksäkerhet beroende på vilken typ av klassificerare som används och diskuterar faktorer som påverkar generalisering såsom modellkomplexitet och bra subjekt.

Place, publisher, year, edition, pages
1992. , p. 35
Series
TRITA-EECS-EX ; 2018:216
National Category
Computer Sciences
Identifiers
URN: urn:nbn:se:kth:diva-229999OAI: oai:DiVA.org:kth-229999DiVA, id: diva2:1215999
Subject / course
Computer Science
Supervisors
Examiners
Available from: 2018-08-03 Created: 2018-06-10 Last updated: 2018-08-03Bibliographically approved

Open Access in DiVA

fulltext(764 kB)1 downloads
File information
File name FULLTEXT01.pdfFile size 764 kBChecksum SHA-512
3e34f50f948a1a52422d483f060b3c6ae2abfa695c2f8b7bdd560a74bc2e0d60c6d05b9c430186a3b539cab7395714614d126320f26b14fbb5976e7b582b8502
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 1 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 5 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf