Supervised learning for classification of EEG signals evoked by visual exposure to RGB colors
Abstract
Denne masteroppgaven har undersøkt muligheten for å klassifisere EEG-signaler fremstilt av visuell eksponering for rød, grønn og blå (RGB) farge, noe som anatas å gi kort responstid og redusert læringstid for hjerne-datamaskin-grensesnitt-applikasjoner (BCI). Et eksperiment med 17 deltakere ble designet og gjennomført. Analytiske og empiriske signalanalysemetoder ble undersøkt ved hjelp av hendelsesrelatert potensial (ERP), kort Fourier-transformasjon (STFT) og empirical mode decomposition (EMD). To klassifikasjonsmetoder ble benyttet. Den første metoden bruker egenskaper som finnes i intrinsic mode functions (IMF) fra EMD som inndata til algoritmer for maskinlæring (ML), og oppnår en nøyaktighet på henholdhvis 0,37 og 0,63 for en generisk og individ-tilpasset modell. Klassifikasjonsnøyaktigheten mellom grå og RGB-fargene var opp til 0,99. Den andre metoden bruker EEG-signalerer som inndata til et konvolusjonelt nevralt nettverk (CNN), og oppnår en nøyaktighet på 0,46 over alle individer.
Alle nøyaktigheter er over 0,33, som er den tilfeldige nøyaktigheten for klassifisering av tre klasser, noe som indikerer at metodene delvis kan beskrive farger i EEG-signaler. Studien konkluderer med at generiske modeller for klassifisering av RGB-farger er utfordrende, og individ-tilpassede modeller foretrekkes for praktisk anvendelse. Selv om resultatene ikke var ideelle, vil datasettet og resultatene gi grunnlag for videre forskning. This thesis has investigated the possibility to classify EEG signals produced by visual exposure to red, green and blue (RGB) colors, thought to provide rapid control and decreased learning times brain-computer interface (BCI) applications. An in-house experiment with 17 participants was designed and conducted. Analytic and empirical signal analysis methods were studied using event-related potential (ERP), short time Fourier transform (STFT), and empirical mode decomposition (EMD). Two classification methods have been explored. The first method used features from intrinsic mode functions (IMFs) obtained with EMD as inputs for machine learning (ML) algorithms, reaching accuracies of 0.37 and 0.63 for a generic and subject-specific model, respectively. Classification accuracy of gray and any of the RGB colors was up to 0.99. The second method used EEG signals as input to a convolutional neural network (CNN), obtaining a maximum accuracy of 0.46 across all subjects.
All accuracies are above the chance level of 0.33 for three class classification, which indicates that the methods can partly describe the colors in EEG signals. The study concludes that generic models for classification of RGB colors are challenging, and subject-tailored models are preferred for practical applications. Although the model performances were not ideal, it is believed that the dataset collected and the results presented encourage to further research.