A Type of EEG-ITNet for Motor Imagery EEG Signal Classification

Abstract

The brain-computer interface (BCI) is an emerging technology that has the potential to revolutionize the world, with numerous applications ranging from healthcare to human augmentation. Electroencephalogram (EEG) motor imagery (MI) is among the most common BCI paradigms used extensively in healthcare applications such as rehabilitation. Recently, neural networks, particularly deep architectures, have received substantial attention for analyzing EEG signals (BCI applications). EEG-ITNet is a classification algorithm proposed to improve the classification accuracy of motor imagery EEG signals in a noninvasive brain-computer interface. The resulting EEG-ITNet classification accuracy and precision were 75.45% and 76.43%, using a motor imagery dataset of 29 healthy subjects, including males aged 21-26 and females aged 18-23. Three different methods have also been implemented to augment this dataset.

Rozhraní mozek-počítač (brain-computer interface, BCI) je nově vznikající technologie, která má potenciál způsobit revoluci ve světě, s mnoha aplikacemi od zdravotnictví až po zlepšování lidských schopností. Elektroencefalogramové (EEG) motorické zobrazování/představa pohybu (MI) patří mezi nejběžnější BCI paradigmata hojně využívaná ve zdravotnických aplikacích, jako je rehabilitace. V poslední době se pro analýzu signálů EEG ("BCI aplikace") věnuje značná pozornost neuronovým sítím, zejména hlubokým architekturám. EEG-ITNet je klasifikační algoritmus navržený ke zlepšení přesnosti klasifikace EEG signálů reprezentujících představu pohybu v neinvazivním rozhraní mozek-počítač. Výsledná přesnost klasifikace EEG-ITNet byla 75,45 % a 76,43 %, přičemž byla použita sada dat představ pohybu 29 zdravých osob, včetně mužů ve věku 21-26 let a žen ve věku 18-23 let. K rozšíření této datové sady byly rovněž implementovány tři různé metody.