Machine learning methods for EEG signal classification

Abstract

Η ηλεκτροεγκεφαλογραφία (EEG) σε συνδυασμό με ένα σύστημα διεπαφής εγκεφάλου-υπολογιστή (Brain-computer interface BCI), αποτελεί μια συνήθης προσέγγιση για την παρακολούθηση των ηλεκτρικών σημάτων του εγκεφάλου και τον χειρισμό προσθετικών συσκευών. Μια κοινή πρόκληση στον ερευνητικό τομέα είναι η ταξινόμηση των σημάτων που απεικονίζουν σωματική και πλασματική κίνηση ανάμεσα σε διαφορετικά πρόσωπα, καθώς τα εγκεφαλοεγραφήματα διαφέρουν από άτομο σε άτομο. Στην παρούσα πτυχιακή, αναπτύχθηκε ένα ρηχό συνελεκτικό νευρωνικό δίκτυο (CNN), το οποίο εκπαιδεύτηκε σε ελαφρώς προεπεξεργασμένα σήματα EEG. Τα δεδομένα προήλθαν από την βάση δεδομένων της PhysioNet. Το σύνολο των δεδομένων περιλάμβανε 109 εθελοντές, με κάθε εθελοντή να έχει καταγραφές σημάτων κίνησης και πλασματικής κίνησης. Το ανεπτυγμένο μοντέλο, σε συνδυασμό με τα προεπεξεργασμένα δεδομένα, απέδωσε υψηλά στατιστικά αποτελέσματα( 2 κλάσεις 80%, 4 κλάσεις: 58%), συγκρίσιμα με άλλα αποτελέσματα από ερευνητικές εργασίες σε αυτόν τον τομέα. Ο κώδικας της εργασίας βρίσκεται στον παρακάτω σύνδεσμο https://github.com/VasilhsXart/EEGClassification.git