Brain–Computer Interface Classifier for Wheelchair Commands Using Neural Network With Fuzzy Particle Swarm Optimization

Abstract

This paper presents the classification of a three-class mental task-based brain-computer interface (BCI) that uses the Hilbert-Huang transform for the features extractor and fuzzy particle swarm optimization with cross-mutated-based artificial neural network (FPSOCM-ANN) for the classifier. The experiments were conducted on five able-bodied subjects and five patients with tetraplegia using electroencephalography signals from six channels, and different time-windows of data were examined to find the highest accuracy. For practical purposes, the best two channel combinations were chosen and presented. The three relevant mental tasks used for the BCI were letter composing, arithmetic, and Rubik's cube rolling forward, and these are associated with three wheelchair commands: left, right, and forward, respectively. An additional eyes closed task was collected for testing and used for on-off commands. The results show a dominant alpha wave during eyes closure with average classification accuracy above 90%. The accuracies for patients with tetraplegia were lower compared to the able-bodied subjects; however, this was improved by increasing the duration of the time-windows. The FPSOCM-ANN provides improved accuracies compared to genetic algorithm-based artificial neural network (GA-ANN) for three mental tasks-based BCI classifications with the best classification accuracy achieved for a 7-s time-window: 84.4% (FPSOCM-ANN) compared to 77.4% (GA-ANN). More comparisons on feature extractors and classifiers were included. For two-channel classification, the best two channels were O1 and C4, followed by second best at P3 and O2, and third best at C3 and O2. Mental arithmetic was the most correctly classified task, followed by mental Rubik's cube rolling forward and mental letter composing.

Klasifikasi Aktivitas Mental Berdasarkan Data Eeg Menggunakan Metode Hibridneural Network Dan Fuzzy Particle Swarm Optimization Dengan Crossmutated Operation

“…Gelombang yang dihasilkan dari EEG -BCI berkisar antara 1 -30 Hz band, dimana gelombang δ (1 -3 Hz), θ (4 -7 Hz), α (8 -13 Hz) dan β (14 -30 Hz) [1]. Teknik untuk memonitoring aktivitas otak termasuk signal Electroencephalogram (EEG), Electrocorticogram (ECoG), Positron Emission Tomography (PET), functional Magnetic Resonance Imaging (fMRI), dan Magnetoencephalography (MEG), namun signal EEG lebih popular digunakan untuk mengimplementasi BCI dengan biaya yang rendah, nonInvasive dan relatif mudah untuk merekam sinyal otak [3].…”

“…Teknik untuk memonitoring aktivitas otak termasuk signal Electroencephalogram (EEG), Electrocorticogram (ECoG), Positron Emission Tomography (PET), functional Magnetic Resonance Imaging (fMRI), dan Magnetoencephalography (MEG), namun signal EEG lebih popular digunakan untuk mengimplementasi BCI dengan biaya yang rendah, nonInvasive dan relatif mudah untuk merekam sinyal otak [3]. Sinyal EEG dapat menjadi salah satu alternatif bagi pengguna keterbatasan fisik untuk menggerakkan kursi roda [1] dengan mengirimkan perintah hanya ke alat elektronik melalui aktivitas otak [4], berbagai macam penyakit seperti epilepsi dapat ditentukan melalui sinyal EEG [5].Sinyal EEG yang di peroleh melalui pendekatan Non-Invasivememiliki gelombang yang cukup lemah sehingga sangatlah penting untuk melakukan proses digital agar dapat mengklasifikasikan perintah dengan benar.…”

“…Penelitian ini melakukan tiga tahapan proses yaitu fitur ekstraksi menggunakan metode Welch, mereduksinya menggunakan nilai statistik dan klasifikasi menggunakan Recurrent Neural Networks. Untuk menguji kinerja dari RNN dalam masalah klasifikasi yang sama maka digunakan multilayerperceptron neural network dengan menggunakan learning backpropagation yang tingkat akurasinya mencapai 100% sekalipun tidak dijelaskan waktu komputasinya [6] [1]. Metode ini dikembangkan dari improved particle swarm optimization yang mengusulkan penambahan bobot inersia untuk menyeimbangkan pencarian global dan local [7;8].…”

“…PENDAHULUANrain-Computer Interface(BCI) menggunakan Electroencephalography (EEG) untuk mengukur sinyalaktivitas listrik pada otak yang merefleksikan keinginan ataupun tujuan dari pengguna sehingga dapat menyediakan keluaran nonmuscular baru untuk komunikasi dan kontrol sebagai sebuah teknologi antarmuka manusia dan komputer [1]. Invasive merupakan salah cara untuk mendapatkan aktivitas gelombang listrik dari otak dengan menanamkan elektroda secara langsung ke bagian celebral cortex sehingga gelombang listrik yang diperoleh tidak mengalami distorsi.…”

Review of Brain Computer Interface Components and Corresponding Research Topics

“…For the classification of multi-class fNIRS signals, we can use multi-class LDA [101], extreme learning machine [102], and SVM [103]. Reference [104] and Reference [107] use improved neural network classifiers to classify three types of EEG signal patterns. Reference [105] uses FisherLDA to classify multi-class feature vectors with feature selection based on mutual information.…”