Decoding non-invasively recorded handwriting imagery using machine learning: Explainable machine learning models for motor-imagery decoding using portable and sustainable OPM-MEG
2025 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE credits
Student thesisAlternative title
Avkodning av föreställd handskrift inspelad icke-invasivt med hjälp av maskininlärning : Förklarbara maskininlärningsmodeller för avkodning av motorisk imagery med bärbar och hållbar OPM-MEG (Swedish)
Abstract [en]
Wearable optically-pumped magnetometer magnetoencephalography (OPM-MEG) promises room-temperature, high-resolution brain-computer interfaces. This study looks at whether such a system can decode imagined handwriting without surgical implants — an open problem critical for silent communication aids. Using a 128-channel OPM-MEG helmet, motor-imagery and physical handwriting tasks were conducted with a single participant, also recording auditory response from the go-signal. From this a small (≈ 1500 samples) dataset for a six-class classification problem on the letters ”D”, ”F”, ”G”, ”O”, ”P” and ”T” was created. With this data we trained three lightweight classifiers: SVM, EEGNet and Detach-Rocket Ensemble. EEGNet reached 85 % letter accuracy on auditory trials, but all models fell to near-chance on motor-imagery and only slightly above chance on physical handwriting. Feature-importance maps from every model converged on the temporal lobes (150–300 ms post-cue) as the dominant information source for auditory trials, in line with expected behaviour in the auditory cortex. The work shows that OPM-MEG can power non-invasive handwriting BCIs, yet underscores the need for larger, multi-session datasets. It establishes a baseline for more sustainable, portable BCIs that are no longer reliant on cryogenic hardware.
Abstract [sv]
Bärbar magnetoencefalografi baserad på optiskt pumpade magnetometrar (OPM-MEG) möjliggör hjärn-dator-gränssnitt med rumstempererad drift och hög upplösning. Denna studie undersöker om ett sådant system kan avkoda föreställd handskrift utan kirurgiska implantat—ett olöst problem som är avgörande för tysta kommunikationshjälpmedel. Med en 128-kanalig OPM-MEG-hjälm utfördes motor-imagery- och handskriftsuppgifter med en enda deltagare, samtidigt som auditivt svar på go-signalen registrerades. Detta resulterade i ett litet (≈1500 prover) dataset för ett sexklassigt klassificeringsproblem av bokstäverna ”D”, ”F”, ”G”, ”O”, ”P” och ”T”. Med dessa data tränades tre lättviktiga klassificerare: SVM, EEGNet och Detach-Rocket Ensemble. EEGNet nådde 85 % bokstavsnoggrannhet på auditiva försök, men alla modeller föll till nära chansnivå på motor-imagery och endast något över chans på fysisk handskrift. Funktionstilldelningskartor från varje modell konvergerade till tinningloberna (150–300 ms efter cue) som den dominerande informationskällan för auditiva försök, i linje med förväntad aktivitet i den auditiva cortex. Arbetet visar att OPM-MEG kan driva icke-invasiva handskrifts-BCI:er men understryker behovet av större dataset med flera sessioner. Det etablerar en baslinje för mer hållbara och bärbara BCI:er som inte längre är beroende av kryogen hårdvara.
Place, publisher, year, edition, pages
2025. , p. 49
Series
TRITA-EECS-EX ; 2025:526
Keywords [en]
Brain-computer interface, Magnetoencephalography, Signal processing, Machine learning, Neural networks, Time-series classification
Keywords [sv]
Hjärn-dator-gränssnitt, Magnetoencefalografi, Signalbehandling, Maskininlärning, Neurala nätverk, Tidsserieklassificering
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-368192OAI: oai:DiVA.org:kth-368192DiVA, id: diva2:1987591
External cooperation
Karolinska Institutet
Supervisors
Examiners
2025-08-112025-08-062025-08-11Bibliographically approved