Detecting Limb Movements by Reading Minds

Abstract

Ved hjelp av EEG kan elektrisk aktivitet på hodebunnen til mennesker brukes til å kontrollere en datamaskin. I senere år har maskinlæringsteknikker gjort slike systemer nøyaktigere og istand til å tilpasse seg individet. I oppgaven implementeres "Sub-Band Common Spatial Patterns"-metoden for EEG klassifisering. Denne ble så forsøkt utvidet på forskjellige måter, med den hensikt å øke nøyaktigheten. Det ble oppdaget at nøyaktighet kan økes ved å:

1) Regularisere estimatet av kovariansematrisen for Common Spatial Patterns algoritmen. 2) Å legge til utviklingen av signalstyrken over tid som innputt til klassifisatoren. 3) Å bruke L1-regularisert Logistic Regression som klassifisator, og for å eliminere features til klassifisatoren. 4) Å bruke boosting på den endelige klassifisatoren.

Til sammen ga disse endringene en økning fra 86.4% til 91.7% nøyaktighet på det offentlig tilgjengelige datasettet BCI Competition III (IVa).