Extraction subject-specific motor imagery time–frequency patterns for single trial EEG classification

Ince, Nuri F.; Tewfik, A.H.; Arıca, Sami

doi:10.1016/j.compbiomed.2006.08.014

Cited by 42 publications

(34 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The findings are consistent with other works [18], [19] in which the second dataset is exploited. So, in [18] where a timefrequency approach is investigated using six subjects (1, 2, 5, 6, 7, 9), for subject 1 and subject 9 are reported the classification rates 81.11% and 83.61%, respectively.…”

Section: Classifierssupporting

confidence: 83%

See 1 more Smart Citation

Detection and Classification of Mu Rhythm using Phase Synchronization for a Brain Computer Interface

Eva¹

2016

ijacsa

View full text Add to dashboard Cite

Section: Classifierssupporting

confidence: 83%

“…While performing a mental activity as left/right hand movement or imagination changes appear in the sensorimotor area in the corresponding signal power of Mu (8)(9)(10)(11)(12) and Beta (12)(13)(14)(15)(16)(17)(18)(19)(20)(21)(22)(23)(24)(25)(26)(27)(28)(29)(30) rhythms.…”

Section: Introductionmentioning

confidence: 99%

Detection and Classification of Mu Rhythm using Phase Synchronization for a Brain Computer Interface

Eva¹

2016

ijacsa

View full text Add to dashboard Cite

“…With the newly selected basis, the performance of classifying the evaluation set is increased from 0.50 to 0.63. However this procedure is highly time consuming, and therefore, it could be performed by automatic best basis selection methods such as local discriminant bases [27].…”

Section: Resultsmentioning

confidence: 99%

Multiresolution analysis over simple graphs for brain computer interfaces

2013

View full text Add to dashboard Cite

Abstract. Objective: Multiresolution analysis (MRA) offers a useful framework for signal analysis in the temporal and spectral domains, although commonly employed MRA methods such as Daubechies wavelets may not be the best approach for brain computer interface (BCI) applications. Approach: Hereby we propose the use of a lifting scheme transform over graphs and a tailored simple graph representation for EEG data which results on a MRA system where temporal, spectral and spatial characteristics are used to extract motor imagery features. The transformed data is processed within a simple experimental framework to test the classification performance. Main Results: The proposed method can significantly improve the classification results obtained by various wavelet families using the same methodology. Preliminary results using common spatial patterns as feature extraction method show that we can achieve comparable classification accuracy to more sophisticated methodologies. From the analysis of the results we can obtain insights into the pattern development in the EEG data, which provide useful information for feature basis selection and thus for improving classification performance. Significance: Applying wavelet lifting over graphs is a new approach for handling BCI data. The inherent flexibility of the lifting scheme could lead to new approaches based on the proposed method which could further improve the classification performance here presented.

show abstract

“…Neste contexto, diversos trabalhos visam encontrar elementos espectrais, espaciais e temporais que melhor se adaptem a um indivíduo específico [12,18,19,24,25]. Neste trabalho, uma janela de tempo de tamanho t f de um ou dois segundos é extraída deX meio segundo após o início do período de Imagética Motora, resultando nos sinais Z (tal como ilustra a Figura 6).…”

Section: Extração E Seleção De Característicasunclassified

“…Neste contexto, trabalhos como os de [18], [12] e [19] buscam encontrar configurações espectrais que melhor representem a Imagética Motora para uma pessoa específica. Cabe ainda ressaltar que as variações que caracterizam as ERDs são ainda mais evidentes em regiões contralaterais ao movimento.…”

Section: Introductionunclassified

Emprego de Banco de Filtros e do Teorema de Imersão de Takens em Padrões Espaciais para a Classificação de Imagética Motora em Interfaces Cérebro-Computador

Vaz

Mello

2016

RITA

View full text Add to dashboard Cite

Resumo: As Interfaces Cérebro-Computador (BCI) são sistemas que provêm uma alternativa para que pessoas com perda severa ou total do controle motor possam interagir com o ambiente externo. Para mapear intenções individuais em operações de má-quina, os sistemas de BCI empregam um conjunto de etapas que envolvem a captura e pré-processamento dos sinais cerebrais, a extração e seleção de suas características mais relevantes e a classificação das intenções. Neste trabalho, diferentes abordagens para a extração de características de sinais cerebrais foram avaliadas, a mencionar: i) Padrões Espectro-Espaciais Comuns (CSSP); ii) Padrões Esparsos Espectro-Espaciais Comuns (CSSSP); iii) CSSP com banco de filtros (FBCSSP); e, finalmente, iv) CSSSP com banco de filtros (FBCSSSP). Em comum, essas técnicas utilizam de filtragem de banda de frequências e reconstrução de espaços para ressaltar similaridades entre sinais. A técnica de Seleção de Características baseada em Informação Mútua (MIFS) foi adotada para a redução de dimensionalidade das características extraídas e, em seguida, Máquinas de Vetores de Suporte (SVM) foram utilizadas para a classificação do espaço de exemplos. Os experimentos consideraram o conjunto de dados BCI Competition IV-2b, o qual conta com sinais produzidos pelos eletrodos nas posições C3, Cz e C4 a fim de identificar as intenções de movimentação das mãos direita e esquerda. Conclui-se, a partir dos índices kappa obtidos, que os extratores de características adotados podem apresentar resultados equiparáveis ao estado da arte.

show abstract

Extraction subject-specific motor imagery time–frequency patterns for single trial EEG classification

Cited by 42 publications

References 11 publications

Detection and Classification of Mu Rhythm using Phase Synchronization for a Brain Computer Interface

Detection and Classification of Mu Rhythm using Phase Synchronization for a Brain Computer Interface

Multiresolution analysis over simple graphs for brain computer interfaces

Emprego de Banco de Filtros e do Teorema de Imersão de Takens em Padrões Espaciais para a Classificação de Imagética Motora em Interfaces Cérebro-Computador

Contact Info

Product

Resources

About