EEG Right & Left Voluntary Hand Movement-based Virtual Brain-Computer Interfacing Keyboard Using Hybrid Deep Learning Approach

要約

脳マシン界面（BMI）、特に脳波（EEG）に基づくものは、運動障害のある個人を支援するための有望なソリューションを提供します。
ただし、キーストロークのシミュレーションなど、特定のタスクのEEG信号を確実に解釈する際の課題は、脳の活動の複雑さと変動のために持続します。
現在のEEGベースのBMIは、従来の機械学習モデルが高次元のEEGデータを効果的に処理するのに苦労しているため、特に仮想キーボードのようなアプリケーションで、適応性、使いやすさ、堅牢性の制限に直面しています。
これらのギャップに対処するために、自発的なキーストロークを正確に識別できるEEGベースのBMIシステムを開発しました。
公開されているEEGデータセットを使用して、信号はバンドパスフィルタリングで前処理され、22電極アレイにセグメント化され、イベント関連のポテンシャル（ERP）ウィンドウに改良され、3つのクラスに分類された19×200機能アレイが得られます。
私たちのアプローチでは、EEGシグナルを解釈するための提案されたモデルとしてBigru-Attentionを備えたハイブリッドニューラルネットワークアーキテクチャを採用し、90％の優れたテスト精度と、10倍の層分析で91％の平均精度を達成します。
このパフォーマンスは、サポートベクターマシン（SVM）やナイーブベイズなどの従来のMLメソッド、ならびにトランス、CNNトランスフォーカーハイブリッド、EEGNETなどの高度なアーキテクチャよりも優れています。
最後に、Bigru-Attentionモデルは、脳の活動からキーストロークをシミュレートして予測するために、リアルタイムグラフィカルユーザーインターフェイス（GUI）に統合されています。
私たちの研究は、信号の解釈と分類の課題に対処することにより、ディープラーニングがEEGベースのBMIシステムをどのように進めることができるかを示しています。

要約(オリジナル)

Brain-machine interfaces (BMIs), particularly those based on electroencephalography (EEG), offer promising solutions for assisting individuals with motor disabilities. However, challenges in reliably interpreting EEG signals for specific tasks, such as simulating keystrokes, persist due to the complexity and variability of brain activity. Current EEG-based BMIs face limitations in adaptability, usability, and robustness, especially in applications like virtual keyboards, as traditional machine-learning models struggle to handle high-dimensional EEG data effectively. To address these gaps, we developed an EEG-based BMI system capable of accurately identifying voluntary keystrokes, specifically leveraging right and left voluntary hand movements. Using a publicly available EEG dataset, the signals were pre-processed with band-pass filtering, segmented into 22-electrode arrays, and refined into event-related potential (ERP) windows, resulting in a 19×200 feature array categorized into three classes: resting state (0), ‘d’ key press (1), and ‘l’ key press (2). Our approach employs a hybrid neural network architecture with BiGRU-Attention as the proposed model for interpreting EEG signals, achieving superior test accuracy of 90% and a mean accuracy of 91% in 10-fold stratified cross-validation. This performance outperforms traditional ML methods like Support Vector Machines (SVMs) and Naive Bayes, as well as advanced architectures such as Transformers, CNN-Transformer hybrids, and EEGNet. Finally, the BiGRU-Attention model is integrated into a real-time graphical user interface (GUI) to simulate and predict keystrokes from brain activity. Our work demonstrates how deep learning can advance EEG-based BMI systems by addressing the challenges of signal interpretation and classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google