Prediction of motion trajectories based on motor imagery by a brain computer interface

Abstract

The aim of this Master's Thesis was to develop a naturally controllable BCI that can predict motion trajectories from the imagination of motor execution. The approach to reach this aim was to nd a correlation between movement and brain data, which can subsequently be used for the prediction of movement trajectories only by brain signals. To nd this correlation, an experiment was carried out, in which a participant had to do triggered movements with its right arm to four di erent targets. During the execution of the movements, the kinematic and EEG data of the participant were recorded. After a preprocessing stage, the velocity of the kinematic data in x and y directions, and the band power of the EEG data in di erent frequency ranges were calculated and used as features for the calculation of the correlation by a multiple linear regression. When applying the resulting regression parameter to predict trajectories from EEG signals, the best accuracies were shown in the mu and low beta frequency range, as expected. However, the accuracies were not as high as necessary for control of an application.El objetivo de esta Tesis de Maestría fue desarrollar un interfaz cerebro computador controlable naturalmente que pueda predecir trayectorias de movimiento imaginadas. El enfoque para alcanzar este objetivo fue encontrar una correlación entre el movimiento y los datos cerebrales que puedan ser utilizados posteriormente para la predicción de las trayectorias de movimiento sólo por medio de señales cerebrales. Para encontrar esta correlación, se realizó un experimento, en cual un participante tuvo que realizar movimientos desencadenados con su brazo derecho a cuatro puntos diferentes. Durante el examen de los movimientos, se registraron los datos cinemáticos y de EEG del participante. Después de una etapa de pre-procesamiento, se calcularon las velocidades en las direcciones x y y, de los datos cinemáticos, y la potencia de la banda, de los datos EEG en diferentes rangos de frecuencia, y se utilizaron como características para el cálculo de la correlación mediante con una regresión lineal múltiple. Al aplicar el parámetro de regresión resultante para predecir trayectorias a partir de señales de EEG, las mejores precisiones estuvieron en el rango de frecuencia mu e inferior en beta, como se esperaba. Sin embargo, los resultados no fueron suficientemente precisos como para usarlas para el control de una aplicación.