Two-Step Optimization: Selecting the Optimal Channel Placement and Brain Regions for Motor Imagery Classification with Source Imaging

Abstract

Denne masteroppgaven forsøker å svare på spørsmålet: Hvor mange EEG-elektroder må til for å oppnå god klassifisering av motorisk-forestilling (MI) med elektroencefalografisk kilderekonstruksjon (ESI)? Ettersom mengden forskning innen klinisk bruk av hjerne-maskin grensesnitt (BCI) øker, øker også behovet for gjøre teknologien rimeligere og mer praktisk. Funnene i denne oppgaven kan potensielt lede til betydelige kostnads- og tidsbesparelser i utviklingen og bruk av BCI-systemer, og gjøre dem mer tilgjengelige for en større andel brukere.

Klassifisering av brukerens intensjon ved hjelp av nevrale signaler er et avgjørende aspekt av BCI systemer. I MI-paradigmet kan dette bety å tolke brukerens ønske om å bevege venstre eller høyre hånd. ESI har vist seg å være effektivt for å øke separerbarheten av de nevrale signalene og bistå i klassifisering. Selv om tidligere studier har forsøkt å besvare spørsmålet om hvor mange elektroder som er nødvendige for nøyaktig kilde-lokalisering, har ingen direkte adressert optimaliseringen for klassifiseringsnøyaktighet. Denne masteroppgaven tar imidlertid en unik tilnærming ved å implementere en to-trinns optimalisering ved bruk av den genetiske algoritmen NSGA-III. Det første trinnet identifiserer nøkkelområdene i hjernen som er nødvendige for klassifisering av MI, og det andre trinnet finner EEG-sensorposisjonene som trengs for å rekonstruere kildene i disse områdene. I tillegg foreslås en ny tilnærming for å velge den optimale løsningen fra en Pareto-front basert på statistiske tester.

Klassifisering av brukerens intensjon ved hjelp av nevrale signaler er et avgjørende aspekt av BCI systemer. I MI-paradigmet kan dette bety å tolke brukerens ønske om å bevege venstre eller høyre hånd. ESI har vist seg å være effektivt for å øke separerbarheten av de nevrale signalene og bistå i klassifisering. Selv om tidligere studier har forsøkt å besvare spørsmålet om hvor mange elektroder som er nødvendige for nøyaktig kilde-lokalisering, har ingen direkte adressert optimaliseringen for klassifiseringsnøyaktighet. Denne masteroppgaven tar imidlertid en unik tilnærming ved å implementere en to-trinns optimalisering ved bruk av den genetiske algoritmen NSGA-III. Det første trinnet identifiserer nøkkelområdene i hjernen som er nødvendige for klassifisering av MI, og det andre trinnet finner EEG-sensorposisjonene som trengs for å rekonstruere kildene i disse områdene. I tillegg foreslås en ny tilnærming for å velge den optimale løsningen fra en Pareto-front basert på statistiske tester.

For forsøkspersonene i hele datasettet ble antallet kilder redusert fra 8196 til 128, og antallet kanaler ble redusert fra 64 til 16. Utvalget resulterte i et tap på 4.9% i klassifiseringsnøyaktighet sammenlignet med baseline (fra 75.3% til 70.4%) hos testpersonene (p < 0.05). I gruppen av BCI-kyndige forsøkspersoner ble antallet kilder redusert til 68, og antallet kanaler til 10. Dette utvalget resulterte i et tap på 5.4% i klassifiseringsnøyaktighet sammenlignet med baseline (fra 93.2% til 87.8%) hos testpersonene (p < 0.05). De beste resultatene ble imidlertid oppnådd med individuell utvelgelse. I gjennomsnitt var det gjennomsnittlige antallet kilder som ble valgt 92.2, og gjennomsnittlig antall kanaler var 7.7 og varierte fra 5 til 10. Denne reduksjonen resulterte i et tap i klassifiseringsnøyaktighet på bare 1.7% (fra 86.2% til 84.5%). Dette tapet i nøyaktighet ble funnet ubetydelig (p = 0.65), noe som gir støtte for at antallet kanaler som brukes til MI-klassifisering ved bruk av ESI kan reduseres drastisk med lite eller ingen tap i klassifiseringsnøyaktighet.

This thesis aims to address a practical question: How many Electroencephalography (EEG) electrodes are necessary to achieve good classification with Electrophysiological Source Imaging (ESI) in the Motor Imagery (MI) paradigm? As the amount of research into the clinical applications of Brain-Computer Interface (BCI) systems continues to grow, the need to optimize the technology to make it more practical and less expensive becomes increasingly important. The findings of this research could potentially lead to significant cost and time savings in the development and implementation of BCI systems, making them more accessible and beneficial to a wider range of users.

The classification of the user’s intent through neural signals is a crucial aspect of BCI systems. In the MI paradigm, this could mean interpreting the user’s intent to move their right or left hand. ESI has been proven effective in increasing the separability of the neural signals and aiding in classification. While previous studies have attempted to answer the question of how many electrodes are necessary for accurate source localization, none have directly addressed the optimization for classification accuracy. This thesis, however, takes a unique approach by implementing a two-step optimization using the genetic algorithm Nondominated Sorting Genetic Algorithm (NSGA)-III. The first step identifies the key areas of the brain necessary for classification of MI, and the second step determines the EEG channel positions needed to reconstruct the sources in these areas. Additionally, a novel approach to select the optimal solution from a Pareto front is proposed based on statistical tests.

The two-step optimization was evaluated on a MI dataset of 51 subjects and was used to find both individual (intra-subject) and general (inter-subject) optimized selections. The general selection was evaluated on the full dataset and a subset of BCI literate subjects. These subjects were also the ones used for individual optimization. The selections were evaluated against a similar classifier with access to all the sources and channels as the baseline.

For the subjects in the full dataset, the number of sources was reduced from 8196 to 128, and the number of channels was reduced from 64 to 16. The selection resulted in a 4.9% loss in classification accuracy compared to the baseline (from 75.3% to 70.4%) in the test subjects (p < 0.05). In the BCI literate subject group, the selection reduced the number of sources to 68, and the number of channels to 10. This selection resulted in a 5.4% loss in classification accuracy (from 93.2% to 87.8%) in the test subjects (p < 0.05). However, the best results were obtained with individual selection. On average, the number of sources selected was 92.2, and the average number of channels was 7.7 and ranged from 5 to 10. This reduction resulted in a loss in classification accuracy of only 1.7% (from 86.2% to 84.5%). This loss in accuracy was found insignificant (p = 0.65), which provides evidence that the number of channels used for MI classification using ESI can be reduced drastically with little to no loss in classification accuracy.