Mot robust cross-subject klassificering av electroencephalogram (EEG) baserad brain-computer interfacing (BCI):En genomförbarhetsstudie

Sammanfattning: Brain-computer interface(BCI) är ett system där man kan skicka kommandon till dator med bara hjärnaktivitet. En sådan system är viktigt för människor lider av flera motorisk funktionshinder, då maskinen skulle kunna förbättra patienters liv genom att uppfylla deras behov. Denna rapport fokusera på en variant av BCI, kallas motor imagery based BCI, vilken basera på att klassificera försökspersons hjärnaktivitet då han/hon tänka sig att röra sin kroppsdelar. Det finns flera svårighet för att bygga en fungerande system, en av de är generalisering av tränad model. En tränad model garanti inte exakthet på annat försöksperson eller annat session. Även i samma session, kan model ger sämre resultat på grund av hjärnaktiviteten nonstationary natur. Denna rapport försöka hantera inter-subject klassificering problem med adaptive importance weighted linear discriminant analysis(AIWLDA), som gav bra resultat i både intra-session och inter-session klassificering av offline EEG baserad BCI. Det kommer visa i resultat att det finns försökspersons par där inter-subject generalisering är möjligt och AIWLDA kan avslöja mer av sådana par, men misslyckas att bevisa om det denna egenskap finns mellan alla försöksperson.