Exploring transfer learning techniques for P300-based Brain Computer Interfaces

Detalhes bibliográficos
Autor(a) principal: Nogueira, João Pedro Amaral
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/103171
Resumo: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
id RCAP_d5086ee06fa3d45fb0cf61b3917bad5c
oai_identifier_str oai:estudogeral.uc.pt:10316/103171
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Exploring transfer learning techniques for P300-based Brain Computer InterfacesExploração de técnicas de Transfer Learning para Interfaces de Cérebro-Computador baseadas em P300Interface Cérebro-ComputadorP300Sinal de EletroencefalografiaTransferência de AprendizagemRede Neuronal ConvolucionalBrain-Computer InterfaceP300Electroencephalography SignalTransfer LearningConvolutional Neural NetworksDissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e TecnologiaAs interfaces cérebro-computador têm uma ampla gama de aplicações, principalmente na área médica, onde há um enorme potencial de melhoria de vida para pacientes com condições como amputados ou paralisados, tornando-se assim, um campo popular para pesquisas.As abordagens de Deep Learning na classificação de sinais de eletroencefalografia (EEG) mostraram melhorias na precisão, aumentando a qualidade dos BCIs, mas, devido à alta variabilidade inter e intra-sujeitos dos sinais cerebrais, além da falta de conjuntos de dados grandes o suficiente disponíveis, esses métodos são difíceis de implementar ou muito demorados para calibrar.Uma maneira de superar essas restrições é usar técnicas de Transfer Learning na classificação de EEG. Estes consistem em transferir conhecimento usando pesos pré-treinados de um domínio relacionado como ponto de partida do treinamento na criação de um novo modelo de outro domínio.Nesta tese, o objetivo principal é explorar técnicas de Transfer Learning em Potenciais Relacionados a Eventos do P300. Isso é feito replicando e continuando um estudo anteriormente feito, usando um classificador P300 de Rede Neuronal Convolucional de última geração e experimentando diferentes métodos de Transfer Learning em diferentes conjuntos de dados P300.Os resultados obtidos mostraram um aumento de 0,03 F-score ao usar a interpolação esférica como método para resolver problemas de canais inexistentes. O uso de diferentes abordagens de Transfer Learning não mostrou melhorias em um dos conjunto de dados usados devido à alta disparidade de sinal e um aumento de 0,026 no F-score ao usar pesos pré-treinados como inicialização do modelo e congelar a primeira camada convolucional durante o treino num conjunto de dados mais semelhante.Brain-Computer Interfaces (BCIs) have a wide range of applications, particularly, in the medical field, where there is a huge potential for life improvement for patients with conditions like amputees or paralyzes making it a popular field of research.Deep Learning approaches on electroencephalography (EEG) signal classification have shown improvements in accuracy, increasing BCIs' quality, but, due to high inter- and intra-subject variability of brain signals, in addition to the lack of large enough datasets available, these methods are hard to implement or very time-consuming to calibrate.One way of overcoming these constraints is by using Transfer Learning techniques in EEG classification. These consist on transferring knowledge by using pre-trained weights from one related domain as the training starting point on the creation of a new model of another domain.In this thesis, the main goal is to explore Transfer Learning techniques in P300 Event-related Potentials. This is done by replicating and continuing a previous existent study, using a state-of-the-art Convolutional Neural Network P300 classifier and experimenting with different Transfer Learning methods on different P300 datasets.The results showed a positive outcome with an increase of 0.03 F-score when using spherical spline interpolation as a method to solve missing channels problems. The use of different Transfer Learning approaches showed no improvements on one dataset due to high signal disparity, and a 0.026 increase in F-score when using pre-trained weights as model initialization and freezing the first convolutional layer during training on a more similar dataset.2022-09-26info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/103171http://hdl.handle.net/10316/103171TID:203077911engNogueira, João Pedro Amaralinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2022-10-19T20:37:13Zoai:estudogeral.uc.pt:10316/103171Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:20:02.992387Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Exploring transfer learning techniques for P300-based Brain Computer Interfaces
Exploração de técnicas de Transfer Learning para Interfaces de Cérebro-Computador baseadas em P300
title Exploring transfer learning techniques for P300-based Brain Computer Interfaces
spellingShingle Exploring transfer learning techniques for P300-based Brain Computer Interfaces
Nogueira, João Pedro Amaral
Interface Cérebro-Computador
P300
Sinal de Eletroencefalografia
Transferência de Aprendizagem
Rede Neuronal Convolucional
Brain-Computer Interface
P300
Electroencephalography Signal
Transfer Learning
Convolutional Neural Networks
title_short Exploring transfer learning techniques for P300-based Brain Computer Interfaces
title_full Exploring transfer learning techniques for P300-based Brain Computer Interfaces
title_fullStr Exploring transfer learning techniques for P300-based Brain Computer Interfaces
title_full_unstemmed Exploring transfer learning techniques for P300-based Brain Computer Interfaces
title_sort Exploring transfer learning techniques for P300-based Brain Computer Interfaces
author Nogueira, João Pedro Amaral
author_facet Nogueira, João Pedro Amaral
author_role author
dc.contributor.author.fl_str_mv Nogueira, João Pedro Amaral
dc.subject.por.fl_str_mv Interface Cérebro-Computador
P300
Sinal de Eletroencefalografia
Transferência de Aprendizagem
Rede Neuronal Convolucional
Brain-Computer Interface
P300
Electroencephalography Signal
Transfer Learning
Convolutional Neural Networks
topic Interface Cérebro-Computador
P300
Sinal de Eletroencefalografia
Transferência de Aprendizagem
Rede Neuronal Convolucional
Brain-Computer Interface
P300
Electroencephalography Signal
Transfer Learning
Convolutional Neural Networks
description Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
publishDate 2022
dc.date.none.fl_str_mv 2022-09-26
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/103171
http://hdl.handle.net/10316/103171
TID:203077911
url http://hdl.handle.net/10316/103171
identifier_str_mv TID:203077911
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134093730906112

Registros relacionados