Contenido principal del artículo

Sara Omari
Universidad Carlos III de Madrid
España
Adil Omari
Universidad Carlos III de Madrid
España
https://orcid.org/0000-0002-8377-7813
Mohamed Abderrahim Fichouche
Universidad Carlos III de Madrid
España
https://orcid.org/0000-0003-4493-5927
Fares J. Adu-Dakka
Facultad de Ingeniería, Mondragon Unibertsitatea
España
https://orcid.org/0000-0001-9062-9416
Núm. 45 (2024), Computadores y Control
DOI: https://doi.org/10.17979/ja-cea.2024.45.10957
Recibido: jun. 5, 2024 Aceptado: jul. 8, 2024 Publicado: sept. 2, 2024
Derechos de autor

Resumen

La decodificación de señales EEG constituye la base de la mayoría de los estudios de interfaces cerebro-computadora. Una técnica prominente de preprocesamiento para estas señales implica el uso de matrices de covarianza. Este método ha ganado una amplia aplicación en los últimos años, particularmente en el procesamiento de señales EEG y el filtrado espacial para BCI de imaginación motora. Dado que las matrices de covarianza residen dentro de la variedad Riemanniana de matrices SPD, la aplicación de la geometría Riemanniana ha demostrado ser un enfoque robusto y de alto rendimiento. Con el fin de interpretar las señales cerebrales para aplicaciones futuras en robótica médica y sistemas de control, este artículo presenta un método que proyecta estas matrices de covarianza desde su espacio Riemanniano nativo a múltiples espacios tangentes, lo que permite el uso de clasificadores convencionales como la regresión logística y las máquinas de vectores de soporte. Nuestros resultados demuestran que este enfoque supera significativamente el método de proyección única.

Detalles del artículo

Citas

Barachant, A., 2012. Commande robuste d’un effecteur par une interface cerveau machine eeg asynchrone. Ph.D. thesis, Université de Grenoble.

Barachant, A., Bonnet, S., Congedo, M., Jutten, C., 2010. Riemannian geometry applied to bci classification. In: International conference on latent variable analysis and signal separation. Springer, pp. 629–636. DOI: 10.1007/978-3-642-15995-478 DOI: https://doi.org/10.1007/978-3-642-15995-4_78

Barachant, A., Bonnet, S., Congedo, M., Jutten, C., 2012. Bci signal classification using a riemannian-based kernel. In: ESANN 2012-20th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning. Michel Verleysen, pp. 97–102.

Barachant, A., Bonnet, S., Congedo, M., Jutten, C., 2013. Classification of covariance matrices using a riemannian-based kernel for bci applications. Neurocomputing 112, 172–178. DOI: 10.1016/j.neucom.2012.12.039 DOI: https://doi.org/10.1016/j.neucom.2012.12.039

Brunner, C., Leeb, R., M ̈uller-Putz, G., Schl ̈ogl, A., Pfurtscheller, G., 2008. Bci competition 2008–graz data set a. Institute for Knowledge Discovery (Laboratory of Brain-Computer Interfaces), Graz University of Technology 16, 1–6. DOI: 10.21227/katb-zv89

Congedo, M., Barachant, A., Bhatia, R., 2017. Riemannian geometry for eeg-based brain-computer interfaces; a primer and a review. Brain-Computer Interfaces 4 (3), 155–174. DOI: 10.1080/2326263X.2017.1297192 DOI: https://doi.org/10.1080/2326263X.2017.1297192

Fazli, S., Grozea, C., Dan ́oczy, M., Blankertz, B., Popescu, F., M ̈uller, K.-R., 2009. Subject independent eeg-based bci decoding. Advances in Neural Information Processing Systems 22, 513–521. DOI: https://doi.org/10.1016/j.neunet.2009.06.003

Liao, L.-D., Chen, C.-Y., Wang, I.-J., Chen, S.-F., Li, S.-Y., Chen, B.-W., Chang, J.-Y., Lin, C.-T., 2012. Gaming control using a wearable and wire- less eeg-based brain-computer interface device with novel dry foam-based sensors. Journal of neuroengineering and rehabilitation 9 (1), 1–12. DOI: 10.1186/1743-0003-9-5 DOI: https://doi.org/10.1186/1743-0003-9-5

Lin, C.-T., Lin, F.-C., Chen, S.-A., Lu, S.-W., Chen, T.-C., Ko, L.-W., 2010. Eeg-based brain-computer interface for smart living environmental auto- adjustment. Journal of Medical and Biological Engineering 30 (4), 237–245. DOI: 10.1109/JSYST.2012.2192756 DOI: https://doi.org/10.1109/JSYST.2012.2192756

Omari, S., Omari, A., Abderrahim, M., 2023. Multiple tangent space projection for motor imagery eeg classification. Applied Intelligence 53 (18), 21192–21200. DOI: 10.1007/s10489-023-04551-2 DOI: https://doi.org/10.1007/s10489-023-04551-2

Park, J. L., Fairweather, M. M., Donaldson, D. I., 2015. Making the case for mobile cognition: Eeg and sports performance. Neuroscience & Biobeha-vioral Reviews 52, 117–130. DOI: 10.1016/j.neubiorev.2015.02.014 DOI: https://doi.org/10.1016/j.neubiorev.2015.02.014

Tang, Z., Li, C., Sun, S., 2017. Single-trial eeg classification of motor imagery using deep convolutional neural networks. Optik 130, 11–18. DOI: 10.1016/j.ijleo.2016.10.117 DOI: https://doi.org/10.1016/j.ijleo.2016.10.117

Torres P, E. P., Torres, E. A., Hern ́andez- ́Alvarez, M., Yoo, S. G., et al., 2020. Eeg-based bci emotion recognition: A survey. Sensors 20 (18), 5083. DOI: 10.3390/s20185083 DOI: https://doi.org/10.3390/s20185083

Tortora, S., Ghidoni, S., Chisari, C., Micera, S., Artoni, F., 2020. Deep learning-based bci for gait decoding from eeg with lstm recurrent neural network. Journal of Neural Engineering 17 (4), 046011. DOI: 10.1088/1741-2552/ab9842 DOI: https://doi.org/10.1088/1741-2552/ab9842

Wang, P., Jiang, A., Liu, X., Shang, J., Zhang, L., 2018. Lstm-based eeg classification in motor imagery tasks. IEEE transactions on neural systems and rehabilitation engineering 26 (11), 2086–2095. DOI: 10.1109/TNSRE.2018.2876129 DOI: https://doi.org/10.1109/TNSRE.2018.2876129

Wang, Y.-T., Wang, Y., Jung, T.-P., 2011. A cell-phone-based brain–computer interface for communication in daily life. Journal of neural engineering 8 (2), 025018. DOI: 10.1088/1741-2560/8/2/025018 DOI: https://doi.org/10.1088/1741-2560/8/2/025018

Zhang, K., Robinson, N., Lee, S.-W., Guan, C., 2021. Adaptive transfer learning for eeg motor imagery classification with deep convolutional neural network. Neural Networks 136, 1–10. DOI: 10.1016/j.neunet.2020.12.013 DOI: https://doi.org/10.1016/j.neunet.2020.12.013