Detección de potenciales evocados relacionados a eventos en interfaces cerebro-computadora mediante transformada wavelet

Abstract

Una interfaz cerebro computadora (ICC) es un sistema que provee una forma de comunicación directa entre el cerebro de una persona y el mundo exterior. Para el presente trabajo se utilizaron ICC basadas en EEG utilizando el paradigma de potenciales evocados relacionados con eventos (PRE). El objetivo de este trabajo es resolver en forma eficiente el problema de clasificación, en el cual se tienen dos clases posibles: registros con respuesta (PRE) y registros sin respuesta. Para esto se propone evaluar el desempeño de una ICC utilizando la transformada wavelet diádica discreta (DDWT, del inglés Dyadic Discrete Wavelet Transform) y la transformada wavelet packet (WPT, del inglés Wavelet Packet Transform) como métodos de extracción de características para la detección de la señal de PRE. La base de datos utilizada posee registros de EEG de época única de diez sujetos sanos. A partir de los patrones temporales (registros sin post-procesamiento) se generaron cinco conjuntos de patrones wavelet luego de aplicar la DDWT y WPT mediante diferentes técnicas. Se evaluó el desempeño de cada conjunto de patrones wavelet y de los patrones temporales mediante un clasificador lineal de Fisher. Se encontró que los patrones DDWT filtrados a 16 Hz presentan resultados de clasificación superiores a los patrones temporales. De esta manera al mejorar la etapa de extracción de características se mejora la clasificación, y consecuentemente, el desempeño del sistema completo de una ICC.

A brain-computer interface (BCI) is a system that provides a direct communication between the brain of a person and the outside world. For the present work we used an EEG-based event-related evoked potentials BCI. This paper aims to efficiently solve the problem of classification, which has two possible classes: recordings with evoked-potentials (ERP) and recordings without them. We proposed to evaluate the performance of a BCI using the discrete dyadic wavelet transform (DDWT) and the wavelet packet transform (WPT) as feature extraction methods for ERP signal detection. The database consisted of single-epoch EEG recordings from ten healthy subjects. From temporal patterns (recordings without any post-processing), five wavelet patterns were generated after applying DDWT and WPT via different techniques. The performance of the wavelet and temporal patterns were analyzed with the Fisher linear classifier finding that DDWT patterns, filtered at 16 Hz, presented better classification results than temporal patterns. This means that improving the feature extraction step, improves classification, and consequently, the performance of the entire BCI system.