Skip to main content

EFFICIENCY OF MOTOR IMAGERY BASED BRAIN-COMPUTER INTERFACES

RYC-2014-15671

•
Funding agency name Ministerio de Ciencia e Innovación
Funding agency acronym MICINN
Program Programa Estatal de Promoción del Talento y su Empleabilidad en I+D+i
Subprogram Subprograma Estatal de Incorporación
Call Ramón y Cajal
Call year 2014
State Plan 2013-2016 Plan Estatal de Investigación Científica y Técnica y de Innovación
Management unit Secretaría de Estado de Educación, Formación Profesional y Universidades
Beneficiary centre UNIVERSIDAD PUBLICA DE NAVARRA

Resultados relacionados

Resultados totales (Incluyendo duplicados): 2
Encontrada(s) 1 página(s)

Academica-e. Repositorio Institucional de la Universidad Pública de Navarra
Publication Contribución de congreso (ConferenceOutput)

A fast SSVEP-based brain-computer interface

  • Jorajuria Gómez, Tania
  • Gómez Fernández, Marisol
  • Vidaurre Arbizu, Carmen
Trabajo presentado a la 15th International Conference on Hybrid Artificial Intelligent Systems, HAIS 2020 (11-13 de noviembre de 2020), Literature of brain-computer interfacing (BCI) for steady-state visual evoked potentials (SSVEP) shows that canonical correlation analysis (CCA) is the most used method to extract features. However, it is known that CCA tends to rapidly overfit, leading to a decrease in performance. Furthermore, CCA uses information of just one class, thus neglecting possible overlaps between different classes. In this paper we propose a new pipeline for SSVEP-based BCIs, called corrLDA, that calculates correlation values between SSVEP signals and sine-cosine reference templates. These features are then reduced with a supervised method called shrinkage linear discriminant analysis that, unlike CCA, can deal with shorter time windows and includes between-class information. To compare these two techniques, we analysed an open access SSVEP dataset from 24 subjects where four stimuli were used in offline and online tasks. The online task was performed both in control condition and under different perturbations: listening, speaking and thinking. Results showed that corrLDA pipeline outperforms CCA in short trial lengths, as well as in the four additional noisy conditions., This research was supported by MINECO (RYC-2014-15671).
Academica-e. Repositorio Institucional de la Universidad Pública de Navarra
Publication Contribución de congreso (ConferenceOutput)

Optimizando desviaciones moderadas ponderadas para interfaces cerebro ordenador

  • Fumanal Idocin, Javier
  • Vidaurre Arbizu, Carmen
  • Gómez Fernández, Marisol
  • Urío Larrea, Asier
  • Pereira Dimuro, Graçaliz
  • Bustince Sola, Humberto
Las interfaces cerebro-ordenador (BCI) basadas en el análisis de Electroencefalografía (EEG) están compuestas por varios elementos para procesar y clasificar las señales de entrada del cerebro. Una fase relevante de estos sistemas es el módulo de toma de decisiones, en el que la salida de diferentes clasificadores se fusiona en uno solo. En este trabajo proponemos el uso de funciones basadas en desviaciones moderadas con ponderaciones para la fase de toma de decisiones del sistema de BCI de fusión multimodal mejorado (EMF). Las funciones de agregación basadas en desviación moderada (MD) nos permiten elegir el mejor valor para agregar un vector de puntos utilizando una función de desviación moderada. Usando una MD ponderada, también podemos tener en cuenta la importancia relativa de cada dimensión en los datos multidimensionales que estamos agregando. Utilizando estas funciones en el EMF, podemos ponderar cada una de las diferentes señales cerebrales según su importancia, y utilizando la diferenciación automática, también podemos optimizarlas para el problema concreto a solucionar., La investigación de Javier Fumanal Idocin, A.Urio y Humberto Bustince ha sido apoyada por el proyecto PID2019-108392GB I00 (AEI / 10.13039 / 501100011033). La investigación de Carmen Vidaurre ha sido financiada por el proyecto RyC-2014-15671.