Decodificación de la actividad cerebral mediante regularización con penalizantes mixtos

Abstract

A brain computer interface (BCI) is a system which provides an alternative way of communication between the mind of a person and the outside world. An efficient and non-invasive way of establishing the communication is based on electroencephalography (EEG) and event-related potentials (ERPs). An ERP is an endogenous potential which results as a consequence of an external and relevant stimulus. For rehabilitation purposes most of the BCIs are based on motor imagery (MI), i.e. the mental simulation of movements. For the pattern recognition point of view both paradigms represent an extremely hard and challenging binary classification problem. The linear discriminant analysis (LDA) is a well-known and widely used dimensionality reduction tool in the context of supervised classification. Although LDA generally results in good classification performances while keeping the solution simple, it fails when the number of samples is large relative to the number of observations. Several authors have proposed different regularized versions of LDA, showing always the advantages of such tools. In this thesis we present the generalized sparse discriminant analysis (GSDA) method. This method automatically performs discriminative feature selection and classification by taking into account a-piori class discrepancy information. The GSDA method is designed to automatically select the optimal regularization parameters. Numerical experiments with both ERP-EEG and MI-EEG datasets are presented, showing that overall GSDA performance outperforms most state-of-the-art ERP and MI classification algorithms, for single-trial EEG classification. In addition, a feasibility study of a proposed method based on GSDA for MI detection in real-time scenarios is presented.

Una interfaz cerebro-computadora (ICC) es un sistema que provee una alternativa forma de comunicación entre el cerebro de una persona y el mundo exterior. Una manera eficiente y no invasiva de medir la actividad cerebral es mediante electroencefalografía (EEG) de superficie. Si el objetivo es deletrear palabras, suelen utilizarse ICCs basadas en los potenciales relacionados a eventos (PREs). Para fines de rehabilitación, la mayoría de las BCIs se basan en el paradigma de imaginería motora (IM). En ambos paradigmas, la detección de la intención del usuario, puede tratarse como un problema de reconocimiento de patrones binario. El análisis discriminante lineal (LDA) es un método de clasificación muy conocido en el contexto de aprendizaje supervisado. Si bien LDA generalmente resulta en buenos desempeños de clasificación manteniendo la solución sencilla, el método falla cuando el número de muestras es relativamente grande en relación a la cantidad de observaciones. Varios autores han propuesto diferentes versiones regularizadas de LDA, mostrando siempre las ventajas del uso de tales técnicas. En esta tesis se ha desarrollado una versión penalizada y regularizada de LDA, denominada discriminante ralo generalizado (GSDA). Este método realiza selección de características junto con clasificación, considerando información discriminativa a-priori. Los experimentos numéricos muestran que la utilización de GSDA supera a los métodos del estado del arte para clasificación tanto de PREs como de IM. Asimismo, se presenta un estudio de la factibilidad de un método basado en GSDA para la detección de la intención del movimiento en tiempo real.