Detection of Movement Related Cortical Potentials from EEG Using Constrained ICA for Brain-Computer Interface Applications

Abstract

The movement related cortical potential (MRCP), a slow cortical potential from the scalp electroencephalogram (EEG), has been used in real-time brain-computer-interface (BCI) systems designed for neurorehabilitation. Detecting MPCPs in real time with high accuracy and low latency is essential in these applications. In this study, we propose a new MRCP detection method based on constrained independent component analysis (cICA). The method was tested for MRCP detection during executed and imagined ankle dorsiflexion of 24 healthy participants, and compared with four commonly used spatial filters for MRCP detection in an offline experiment. The effect of cICA and the compared spatial filters on the morphology of the extracted MRCP was evaluated by two indices quantifying the signal-to-noise ratio and variability of the extracted MRCP. The performance of the filters for detection was then directly compared for accuracy and latency. The latency obtained with cICA (−34 ± 29 ms motor execution (ME) and 28 ± 16 ms for motor imagery (MI) dataset) was significantly smaller than with all other spatial filters. Moreover, cICA resulted in greater true positive rates (87.11 ± 11.73 for ME and 86.66 ± 6.96 for MI dataset) and lower false positive rates (20.69 ± 13.68 for ME and 19.31 ± 12.60 for MI dataset) compared to the other methods. These results confirm the superiority of cICA in MRCP detection with respect to previously proposed EEG filtering approaches.

Методика Пространственно-Временного Анализа Электрической Активности Головного Мозга

“…На рис. 2 представлены результаты выполненного расчета A j i (6) по стадиям t 1,2,3,4 , демонстрирующие три характерных сценария пространственно-временной динамики α-и β 2 -активности (части a, b и c соответственно). Отметим, что общей закономерностью наблюдаемой динамики является смещение α-паттерна к затылочной зоне и развитие β-паттерна в теменной и лобной долях, при этом в сценарии 1 этот процесс занимает меньше времени, чем в сценарии 2.…”

“…Отметим, что общей закономерностью наблюдаемой динамики является смещение α-паттерна к затылочной зоне и развитие β-паттерна в теменной и лобной долях, при этом в сценарии 1 этот процесс занимает меньше времени, чем в сценарии 2. Сценарий 3 демонстрирует большую площадь α-паттерна на стадиях t 1,2 и β-паттерна на стадиях t 3,4 , этот сценарий наблюдался у 73.3% группы (11 испытуемых).…”

“…Одним из направлений исследований в данной области является изучение и выявление характерных особенностей активности с помощью поверхностной электроэнцефалографии (ЭЭГ) головного мозга. Активные исследования в этом направлении связаны с задачами реабилитации нарушения двигательных функций (см., например, работы [4][5][6][7] и ссылки в них). Однако до сих пор многие проблемы в этом направлении не решены окончательно, например распознавание начала или конкретного вида реальной и воображаемой двигательной активности [8], что не в последнюю очередь связано с недостатками современных методов оценки сложных сигналов.…”

Movement intention detection in adolescents with cerebral palsy from single-trial EEG

“…One potential explanation of the improved detection performance A c c e p t e d M a n u s c r i p t 12 could be that the spatial filter corrects the blurred image of the underlying brain activity due to volume conduction [24]. In future studies it could be relevant to investigate other types of spatial filters or denoising using independent component analysis [23]. However, the Large Laplacian montage has been shown to be a robust choice of spatial filter, and with the fixed coefficients it does not require extensive calibration to determine the filter coefficients [14,21].…”

A Decoding Scheme for Incomplete Motor Imagery EEG With Deep Belief Network

“…Due to its manageability, easy capture, high time resolution and relative cost effectiveness, the EEG signal has been widely adopted for substantial BCI applications, such as remote quadcopter control (Lin and Jiang, 2015 ), motion rehabilitation (Xu et al, 2011 ; Zhao et al, 2016 ), biometric authentication (Palaniappan, 2008 ), and emotions prediction (Padilla-Buritica et al, 2016 ). Currently, the electrophysiological brain patterns used in EEG-based BCI systems are mainly Steady-State Visual Evoked Potentials (SSVEPs) (Chen et al, 2015 ; Zhang et al, 2015 ; Zhao et al, 2016 ; Nakanishi et al, 2018 ), P300 (Cavrini et al, 2016 ), sensorimotor rhythms (SMRs) (Yuan and He, 2014 ; He et al, 2015 ), and motion-related cortical potential (MRCP, one kind of a slow cortical potential) (Karimi et al, 2017 ). Compared to other patterns, the SMRs-based BCI is more flexible and suitable for practical applications due to the spontaneous EEG signals, which are generated by individuals voluntarily without any external stimuli.…”