BCI-Based Motor Imagery EEG Signal Classification Using a Novel Method (EEG-ITT) in Upper-Limb Exoskeleton

Abstract

Brain-computer interface (BCI) is an emerging technology that receives, processes, and converts brain signals into commands sent to output devices to perform desired tasks. Motor imagery (MI) based on electroencephalograms (EEGs) is one of the most widely used BCI paradigms, and it has demonstrated potential as an effective tool for neurorehabilitation. Recently, neural networks-in particular, deep architectures-have received substantial attention for the analysis of EEG signals (BCI applications). This paper proposes a new classification algorithm called EEG-ITT to increase the accuracy of classification motor imagery EEG signals using a non-invasive brain-computer interface. Utilizing a motor imagery dataset of 29 healthy subjects, including males aged 2126 and females aged 18-23, the proposed model demonstrated the highest accuracy, at 79.53 %. The noise injection method has also been implemented for data augmentation.

Rozhraní mozek-počítač (BCI) je nově se rozvíjející technologie, která přijímá, zpracovává a převádí mozkové signály na příkazy odesílané do výstupních zařízení za účelem vykonání požadovaných úkolů. Představa pohybu (MI) založená na elektroencefalogramech (EEG) je jedním z nejrozšířenějších BCI paradigmat a prokázala potenciál jako účinný nástroj pro neurorehabilitaci. V poslední době získaly neuronové sítě – zejména hluboké architektury – značnou pozornost při analýze EEG signálů v rámci BCI aplikací. Tento článek navrhuje nový klasifikační algoritmus s názvem EEG-ITT, jehož cílem je zvýšit přesnost klasifikace EEG signálů spojených s představou pohybu pomocí neinvazivního rozhraní mozek-počítač. Při využití datasetu motorické imaginace obsahujícího údaje od 29 zdravých jedinců (mužů ve věku 21–26 let a žen ve věku 18–23 let) dosáhl navržený model nejvyšší přesnosti 79,53 %. Pro rozšíření dat byla rovněž implementována metoda injekce šumu.