Classification of Event-Related Potential Signals with a Variant of UNet Algorithm Using a Large P300 Dataset

Abstract

Event-related potential signal classification is a really difficult challenge due to the low signal-to-noise ratio. Deep neural networks (DNN), which have been employed in different machine learning areas, are suitable for this type of classification. UNet (a convolutional neural network) is a classification algorithm proposed to improve the classification accuracy of P300 electroencephalogram (EEG) signals in a non-invasive brain-computer interface. The proposed UNet classification accuracy and precision were 64.5% for single-trial classification using a large P300 dataset of school-aged children, including 138 males and 112 females. We compare our results with the related literature and discuss limitations and future directions. Our proposed method performed better than traditional methods.

Klasifikace evokovaných potenciálů je kvůli nízkému poměru signálu k šumu obtížná výzva. Pro tento typ klasifikace jsou vhodné hluboké neuronové sítě (DNN), které byly použity v různých oblastech strojového učení. UNet (konvoluční neuronová síť) je klasifikační algoritmus navržený ke zlepšení přesnosti klasifikace P300 EEG signálů v neinvazivním rozhraní mozek-počítač. Přesnost klasifikace navržené sítě UNet byla 64,5 % pro single-trial klasifikaci nad velkým souborem P300 dat dětí školního věku, který zahrnoval 138 chlapců a 112 dívek. Výsledky byly porovnány se související literaturou; omezení a budoucí směry výzkumu byly diskutovány. Námi navržená metoda fungovala lépe než tradiční metody.