Dissertação

{en_GB=Error perception classification in Brain-Computer interfaces using Convolutional Neural Networks} {} EVALUATED

{pt=Obter a percepção de erro de um humano ao interagir com uma interface cérebro-computador é um ponto chave para melhorar o desempenho desses sistemas. Recentemente, redes neurais convolucionais (CNN) foram usadas com esse propósito, libertando o modelo da necessidade de escolher características específicas apartir dos dados. Apesar dos avanços dos últimos anos, há ainda espaço para melhorias. Os objetivos deste trabalho são replicar e validar modelos anteriores de CNN usados para classificar percepção de erro; propor novos modelos CNN baseados em avanços de Aprendizagem Automática e ainda disponibilizar todo o código e modelos desenvolvidos publicamente. Depois de uma revisão bibliográfica, três modelos CNN de classificação de potenciais dependentes de erro (ErrP) foram escolhidos para replicação. Depois, o autor avalia diferentes novos modelos resultantes do estudo de modelos CNN que classificam sinais ErrP e P300. A base de dados "Monitoring Error-Related Potential" é usada para treinar e testar todos os modelos. O melhor modelo da literatura atinge valores de precisão, sensibilidade e especificidade de 77.6%, 71.7%, e 83.1%, respetivamente. Para o melhor modelo proposto, estas métricas são de 80.4%, 75.9% e 84.7%, respectivamente, o que representa um aumento estatisticamente significante sobre os modelos da literatura (p=0.0004). Um input de EEG de mais curta duração (600ms) é também usado em vez do input mais comum de um segundo com sucesso e sem perda de performance. O novo modelo proposto supera o desempenho do state-of-the-art. O input de 600ms permite tempos de processamente menores em aplicações de tempo-real sem perda de desempenho., en=Capturing the error perception of a human interacting with a Brain-Computer interface is a key element in improving the performance of these systems. Convolutional-neural networks (CNN) have been recently applied for this task rendering the classification model free of feature-selection. Despite the advances in the last years, there is still room for accuracy improvement. The goals of the present work are to replicate and validate previous CNN models used for error perception classification; to propose new CNN models based on the advances in Machine Learning and lastly, to make all the code and models developed publicly available. After a literature review, three recent CNN models for ErrP classification are replicated. Then, the author evaluates different new models that result from investigating CNN models used for classification of ErrP and P300 signals. The Monitoring Error-Related Potential dataset is used to train and test all the models. The best model from the literature achieves an accuracy, sensitivity, and specificity of 77.6%, 71.7%, and 83.1%, respectively. For the best proposed model, these metrics are of 80.4%, 75.9%, and 84.7%, respectively, which represents a statistically significant increase on the literature models (P=0.0004). Furthermore, an EEG input with a shorter temporal size of 600ms is successfully applied instead of the typical one-second-long input without significant loss of performance. All models are made available online for easier future replication and peer review. The new proposed model outperforms the state-of-the-art. The 600ms input allows faster processing times in real-time BCI applications without loss of performance.}
{pt=Interface cérebro-computador, Rede neural convolucional, Erro de feedback; Potencial de erro, en=Brain-computer interface, Convolutional Neural Networks, Feedback error; Error-related potential}

Janeiro 12, 2021, 17:0

Orientação

ORIENTADOR

João Miguel Raposo Sanches

Departamento de Bioengenharia (DBE)

Professor Associado

ORIENTADOR

Luca Mainardi

Politecnico di Milano

Professora