OPEN ACCESS
A Brain-Computer Interface (BCI) is a new type of human-machine interface that allows direct communication between user and machine by decoding brain activity. The ERPs as the P300 can be obtained through the odd ball paradigm, where targets are selected by the user. A new method for reducing the number of sensors that record electroencephalography (EEG) signals is proposed. Reducing the number of sensors allows reducing the time required for the installation of sensors and therefore increases user’s comfort. The proposed approach is based on a recursive elimination where the cost function is based on the signal to signal plus noise ratio (SSNR), after spatial filtering. We show that this cost function is more robust and less costly in computing time than other functions based on evaluation of the detection of P300 or targets, thus avoiding a step of classification. We also propose a decision function to better categorize the importance of a sensor based on the number of desired sensors. The proposed approach is tested and validated on 20 subjects over several sessions.
RÉSUMÉ
Une interface cerveau-ordinateur (ICO) est un nouveau type d’interface hommemachine qui permet la communication directe entre l’utilisateur et la machine en décodant l’activité cérébrale. Les potentiels cognitifs évoqués comme le P300 peuvent être obtenus grâce au paradigme oddball – stimulus discordant – où les cibles sont sélectionnées par l’utilisateur. Une nouvelle méthode pour la réduction des capteurs des signaux électroencéphalographiqes (EEG) est proposée. La réduction du nombre de capteurs permet d’accroître le confort de l’utilisateur en diminuant le temps nécessaire à la pose des capteurs. L’approche proposée est basée sur une élimination récursive des capteurs où la fonction de coût est basée sur une évaluation du rapport signal sur signal plus bruit (RSSB), après un filtrage spatial. Nous montrons que cette fonction de coût est plus robuste et moins coûteuse en temps de calcul que d’autres fonctions basées sur l’évaluation de la détection du P300 ou des cibles, permettant ainsi d’éviter une étape de classification. Nous proposons également une fonction de décision qui permet de mieux catégoriser l’importance d’un capteur en fonction du nombre de capteurs désirés. L’approche proposée est testée et validée sur 20 sujets au cours de plusieurs sessions.
Brain-Computer Interface (BCI), Evoked-Related Potentials, P300, EEG, Speller, Sensor Selection
MOTS-CLÉS
interface cerveau-ordinateur, Potentiels cognitifs évoqués, P300, EEG, Clavier virtuel, sélection de capteurs
Abe N., Kudo M., Toyama J., Shimbo M. (2006), « Classifier-independent feature selection on the basis of divergence criterion », Pattern Anal. Appl., vol. 9, n° 2, p. 127-137.
Allison B. Z., Wolpaw E. W., Wolpaw J. R. (2007), « Brain-computer interface systems: progress and prospects », Expert Review of Medical Devices, vol. 4, n° 4, p. 463-474.
Anderson C. W., Devulapalli S. V., Stolz E. A. (1995), « Determining Mental State from EEG Signals Using Parallel Implementations of Neural Networks », IEEE Workshop on Neural Networks for Signal in Processing, Cambridge, MA, USA,p. 475-483.
Birbaumer N., Cohen L. G. (2007), « Brain-computer interfaces: communication and restoration of movement in paralysis », Journal of Physiology-London, vol. 579, n° 3, p. 621-636.
Blankertz B., Curio G., Müller K.-R. (2002), « Classifying single trial EEG: Towards brain computer interfacing », In T. G. Diettrich, S. Becker, and Z. Ghahramani, editors, Advances in Neural Inf. Proc. Systems (NIPS 01), vol. 14, p. 157-164.
Blankertz B., Dornhege G., Lemm S., Krauledat M., Curio G., Müller K.-R. (2006), « The Berlin brain-computer interface: EEG-based communication without subject training », IEEE Trans. on Neural Systems and Rehabilitation Engineering, vol. 14, n° 2, p. 147-152.
Blankertz B., Kawanabe M., Tomioka R., Hohlefeld F., Nikulin V., Müller K.-R. (2008), « Invariant Common Spatial Patterns: Alleviating Nonstationarities in Brain-Computer Interfacing », Advances in Neural Information Processing Systems.
Brunner C., Naeem M., Leeb R., Graimann B., Pfurtscheller G. (2007), « Spatial filtering and selection of optimized components in four class motor imagery EEG data using independent components analysis », Pattern Recognition Letters, vol. 28, n° 8, p. 957-964.
Cecotti H., Gräser A. (2009a), « Neural network pruning for feature selection – Application to a P300 Brain-Computer Interface », European Symposium on Artificial Neural Networks, p. 473-478.
Cecotti H., Gräser A. (2010), « Convolutional neural networks for P300 Detection with Application to Brain-Computer Interfaces », IEEE Trans. Pattern Analysis and Machine Intelligence.
Cecotti H., Volosyak I., Gräser A. (2009b), « Evaluation of an SSVEP based Brain-Computer Interface on the command and application levels », 4th IEEE EMBS International Conference on Neural Engineering.
Chatrian G. E., Lettich E., Nelson P. L. (1985), « Ten percent electrode system for topographic studies of spontaneous and evoked EEG activity », Am J EEG Technol, vol. 25, p. 83-92.
Donchin E., Spencer K. M., Wijesinghe R. (2000), « Assessing the speed of a P300-based brain-computer interface », IEEE Trans. Neural Sys. Rehab. Eng., vol. 8, n° 2, p. 174-179.
Farwell L., Donchin E. (1988), « Talking off the top of your head: toward a mental prosthesis utilizing event-related brain potentials », Electroencephalogr. Clin. Neurophysiol., vol. 70, p. 510-523.
Felzer T., Freisieben B. (2003), « Analyzing EEG signals using the probability estimating guarded neural classifier », IEEE Trans. on Neural Systems and Rehab. Eng.
Friman O., Volosyak I., Gräser A. (2007), « Multiple channel detection of steady-state visual evoked potentials for brain-computer interfaces », IEEE Trans. Biomed. Eng., vol. 54, n° 4, p. 742-750.
Golub G. H., Van Loan C. F. (1996), Matrix Computations, 3rd ed. Johns Hopkins University Press.
Hansenne M. (2000a), « Le potentiel évoqué cognitif P300 (I) : aspects théorique et psychobiologique », Neurophysiol Clin, vol. 30, p. 191-210.
Hansenne M. (2000b), « Le potentiel évoqué cognitif P300 (II) : variabilité interindividuelle et application clinique en psychopathologie », Neurophysiol Clin, vol. 30, p. 211-231.
Haselsteiner E., Pfurtscheller G. (2000), « Using time dependent neural networks for EEG classification », IEEE Trans. Rehab. Eng., vol. 8, n° 4, p. 457-463.
Hoffmann U., Vesin J. M., Diserens K., Ebrahimi T. (2008), « An efficient P300-based braincomputer interface for disabled subjects », Journal of Neuroscience Methods, vol. 167, n° 1, p. 115-125.
Krusienski D. J., Sellers E. W., McFarland D., Vaughan T. M., Wolpaw J. R. (2008), « Toward Enhanced P300 Speller Performance », Journal of Neuroscience Methods, vol. 167, p. 15-21.
Lal T. N., Schroder M., Hinterberger T., Weston J., Bogdan M., Birbaumer N., Scholkopf B. (2004), « Support vector channel selection in BCI », IEEE Trans. Biomed. Engineering, vol. 51, n° 6, p. 1003-1010.
Maby E., Gibert G., Aguera P.-E., Perrin M., Bertrand O., Mattout J. (2010), « The Open-ViBE P300-Speller scenario: a thorough online evaluation », In Human Brain Mapping Conference.
MacKay D. J. C. (1992), « Bayesian interpolation », Neural Comput., vol. 4, n° 3, p. 415-447.
Masic N., Pfurtscheller G. (1993), « Neural network based classification of single-trial EEG data », Artificial Intelligence in Medicine, vol. 5, n° 6, p. 503-513.
Masic N., Pfurtscheller G., Flotzinger D. (1995), « Neural network-based predictions of hand movements using simulated and real EEG data », Neurocomputing, vol. 7, n° 3, p. 259-274.
Müller K.-R., Krauledat M., Dornhege G., Curio G., Blankertz B. (2004), « Machine learning techiques for brain-computer interfaces », Biomed Tech, vol. 49, n° 1, p. 11-22.
Müller K.-R., Tangermann M., Dornhege G., Krauledat M., Curio G., Blankertz B. (2008), « Machine learning for real-time single-trial EEG-analysis: From brain-computer interfacing to mental state monitoring », J Neurosci Methods, vol. 167, n° 1, p. 82-90.
Müller-Putz G. R., Scherer R., Brauneis C., Pfurtscheller G. (2005), « Steady-state visual evoked potential (SSVEP)-based communication: impact of harmonic frequency components », Journal of Neural Engineering, vol. 2, n° 1, p. 123-130.
Polich J. (2007), « Updating P300: An integrative theory of P3a and P3b », Clinical Neurophysiology, vol. 118, p. 2128-2148.
Rakotomamonjy A., Guigue V. (2008), « BCI Competition III: Dataset II – Ensemble of SVMs for BCI P300 speller », IEEE Trans. Biomedical Engineering, vol. 55, n° 3, p. 1147-1154.
Rivet B., Souloumiac A., Attina V., Gibert G. (2009), « xDAWN algorithm to enhance evoked potentials: application to brain-computer interface », IEEE Trans Biomed Eng.
Rivet B., Souloumiac A., Gibert G., Attina V. (2008), « P300 speller Brain-Computer Interface: Enhancement of P300 evoked potential by spatial filters », In Proc. EU-SIPCO.
Schroder M., Lal T. N., Hinterberger T., Bogdan M., N. Jeremy Hill J. N., Birbaumer N., Rosenstiel W., Schoolkopf B. (2005), « Robust EEG Channel Selection across Subjects for Brain-Computer Interfaces », EURASIP Journal on Applied Signal Processing, vol. 19, p. 3103-3112.
Shih E. I., Shoeb A. H., Guttag J. V. (2009), « Sensor selection for energy-efficient ambulatory medical monitoring », In Proc. of the 7th International Conference on Mobile Systems, Applications and Services, p. 347-358.
Tomioka R., Hill N. J., Blankertz B., Aihara K. (2006), « Adapting Spatial Filter Methods for Nonstationary BCIs », Workshop on Information-Based Induction Sciences (IBIS), 6.
Volosyak I., Cecotti H., Valbuena D., Gräser A. (2009), « Evaluation of the Bremen SSVEP based BCI in real world conditions », 11th International IEEE Conference on Rehabilitation Robotics, p. 322-331.
Xu N., Gao X., Hong B., Miao X., Gao S., Yang F. (2004), « BCI Competition 2003–Data set IIb: enhancing P300 wave detection using ICA-based subspace projections for BCI applications », IEEE Trans Biomed Eng, vol. 51, n° 6, p. 1067-1072.