Comparison of convolutional and recurrent neural networks for the P300 detection

Abstract

Single-trial classification of the P300 component is a difficult task because of the low signal to noise ratio. However, its application to brain-computer interface development can significantly improve the usability of these systems. This paper presents a comparison of baseline linear discriminant analysis (LDA) with convolutional (CNN) and recurrent neural networks (RNN) for the P300 classification. The experiments were based on a large multi-subject publicly available dataset of school-age children. Several hyperparameter choices were experimentally investigated and discussed. The presented CNN slightly outperformed both RNN and baseline LDA classifier (the accuracy of 63.2 % vs. 61.3 % and 62.8 %). The differences were most pronounced in precision and recall. Implications of the results and proposals for future work, e.g., stacked CNN–LSTM, are discussed.

Single-trial klasifikace P300 vln je náročný úkol kvůli nízkému poměru signál-šum. Její využití na vývoj rozhraní mozek-počítač (BCI) však může výrazně zlepšit použitelnost těchto systémů. Tento článek popisuje srovnání lineární diskriminační analýzy (LDA) s konvolučními (CNN) a rekurentními neuronovými sítěmi (RNN) na klasifikaci P300. Experimenty byly založeny na rozsáhlém P300 datasetu dětí školního věku. Různé možnosti nastavení hyperparametrů byly experimentálně zkoumány a diskutovány. Výsledná CNN mírně překonala RNN i LDA (spolehlivost 63,2% vs. 61,3% a 62,8%). Rozdíly byly nejvýraznější v metrikách precision a recall. Důsledky výsledků a návrhy pro další výzkum, např. stacked CNN – LSTM, jsou diskutovány.