Expanding the Potential of Non- Invasive Brain-Computer Interfaces: Advancements in Upper Limb Movement Classification and Data Augmentation Strategies

Abstract

La Interfície Cervell-Ordinador (BCI) connecta el cervell humà directament amb dispositius externs a través de les senyals de l'electroencefalograma (EEG) adquirides del cuir cabellut. Aquest estudi es centra en dues aplicacions principals de les senyals EEG: la classificació de l'activitat cerebral i l'anàlisi de malalties cerebrals. Per als potencials corticals relacionats amb moviments de l'extremitat superior d'un sol costat, es proposen mètodes de classificació binària i de múltiples classes. En l'anàlisi de malalties cerebrals, les mides limitades del conjunt de dades presenten reptes, que s'aborden aquí amb la introducció d'un mètode d'augmentació de dades utilitzant estratègies de descomposició i recombinació. Aquest mètode amplia el conjunt d'entrenament, assegurant que les xarxes neuronals estiguin ben entrenades malgrat els conjunts de dades petits. La recerca té com a objectiu millorar les comandes de control de la BCI no invasiva i ampliar l'abast d'aplicació de les tècniques d'aprenentatge profund en conjunts de dades petits. L'estudi destaca la importància de les senyals EEG per avançar en les capacitats de la BCI per a una millor interacció entre l'humà i els dispositius i per a l'anàlisi de trastorns neurològics.

The Brain-Computer Interface (BCI) connects the human brain directly to external devices through Electroencephalogram (EEG) signals acquired from the scalp. This study focuses on two main applications of EEG signals: brain activity classification and brain disease analysis. For movement-related cortical potentials associated with single-side upper limb movements, binary and multi-class classification methods are proposed. In brain disease analysis, limited dataset sizes pose challenges, addressed here by introducing a data augmentation method using decomposition and recombination strategies. This method expands the training set, ensuring neural networks are well-trained despite small datasets. The research aims to enhance non-invasive BCI control commands and broaden the application scope of deep learning techniques in small datasets. The study underscores the significance of EEG signals in advancing BCI capabilities for improved human-device interactions and neurological disorder analysis.