Classification of EEG Signal Using Deep Learning Architectures Based Motor-Imagery for an Upper-Limb Rehabilitation Exoskeleton

Abstract

The brain-computer interface (BCI) is an emerging technology that enables people with physical disabilities to control and interact with devices only by using their minds and without being dependent on healthy people. One of the most popular BCI paradigms, motor imagery (MI) based on electroencephalograms (EEGs), is applied in healthcare, including rehabilitation. A significant challenge in classifying EEG signals using deep learning methods is the accurate recognition of MI signals. CNN-LSTM and CNN-Transformer are two classification algorithms proposed to improve the classification accuracy of Motor Imagery EEG signals in a noninvasive brain-computer interface. Three different methods, including noise injection (NI), conditional variational autoencoder (cVAE), and conditional GAN with Wasserstein price function and gradient penalty (cWGAN-GP), have also been implemented to augment this dataset. The best accuracy was achieved by the CNN-LSTM model, which is 79.06%, using an MI dataset involving hand movements. The dataset included 29 healthy subjects, with males aged 21–26 and females aged 18–23.Rozhraní mozek–počítač (BCI) je nově se rozvíjející technologie, která umožňuje lidem s fyzickým postižením ovládat a interagovat se zařízeními pouze pomocí své mysli, bez závislosti na pomoci zdravých osob. Jedním z nejpopulárnějších BCI paradigmat je motorická představa (MI) založená na elektroencefalogramech (EEG), která nachází uplatnění ve zdravotnictví, včetně rehabilitace. Hlavní výzvou při klasifikaci EEG signálů pomocí metod hlubokého učení je přesné rozpoznání MI signálů. Pro zlepšení přesnosti klasifikace EEG signálů motorické představy v neinvazivním rozhraní mozek–počítač byly navrženy dva klasifikační algoritmy: CNN-LSTM a CNN-Transformer. K rozšíření datasetu byly implementovány tři různé metody: Noise Injection (NI) – vkládání šumu, Conditional Variational Autoencoder (cVAE) – podmíněný variační autoenkodér a Conditional GAN s Wassersteinovou cenovou funkcí a gradientní penalizací (cWGAN-GP). Nejlepší přesnost klasifikace dosáhl model CNN-LSTM, který dosáhl 79,06 % při použití MI datasetu zahrnujícího pohyby rukou. Tento dataset obsahoval data od 29 zdravých subjektů – muže ve věku 21–26 let a ženy ve věku 18–23 let.