Decoding human motion intentions from brain signals

Abstract

Gait function can be affected by neurological disorders such as spinal cord injury (SCI), stroke, or traumatic brain injury (TBI). These limitations have significant negative effects on the affected people’s independence and quality of life. Brain-computer interfaces (BCIs) have the potencial to create solutions that may overcome irreversible disabilities. Several studies in recent years have shown that electroencephalographic (EEG) signals can be used to develop BCIs for the rehabilitation of human limbs through lower-limbs robotic devices and exoskeletons. Therefore, their effectiveness and safety depend on how successfully they can detect and react to movement. This dissertation aims at developing and validating an EEG-based motor intent decoding framework to accurately classify human intent regarding five daily performed locomotor tasks. This framework will contribute on the developing of BCI to recover the mobility of neurologically impaired subjects. For this, a provided multi-channel dataset will be used. The implementation of this solution was divided into two phases. The first is about how signals are processed to obtain the features that best characterize each of the locomotion modes under analysis. As a result, three distinct studies that differ in the number of channels used were created. Through the application of the ICA method, it has been determined that the more channels are used in a study, the more likely it is that these channels may be corrupted, affecting the ICA method’s effectiveness. The second section discusses the classification methodology. Three different Deep Learning algorithms, CNN, LSTM, and their combination, C-LSTM, were studied here. Additionally, three different features used as the input for the models were compared for each of them and for each of the studies. The features that were selected showed a higher impact on the results than the actual classification algorithm, with ERPs being the features that produced the best results. On the other hand, across classifiers, all three provided high performance, demonstrating reduced differences between them. The study with higher accuracy as the study 3 with the most reliable channel selection.

O movimento humano da marcha pode ser afetado por distúrbios neurológicos, tais como lesão na medula espinhal, acidente vascular cerebral (AVC), ou traumatismo craniano. Estas limitações têm efeitos negativos significativos tanto a nível de independência, como na qualidade de vida das pessoas afetadas. Interfaces cérebro-computador (BCIs) mostram ter potencial para fornecer soluções para o tratamento de distúrbios cerebrais. Nos últimos anos, vários estudos mostraram que sinais eletroencefalográficos (EEG) podem ser usados no desenvolvimento de BCIs para a reabilitação de membros humanos através de equipamentos robóticos de membros inferiores e exoesqueletos. A sua eficiência e segurança dependem do sucesso com que conseguem detetar e reagir ao movimento. Esta dissertação tem como objetivo desenvolver e validar um framework de decodificação de intenção motora baseada em EEG para classificar com precisão a intenção humana segundo cinco tipos de locomoção presentes no dia-a-dia. Este framework irá contribuir para o desenvolvimento de um BCI com a finalidade de recuperar a mobilidade de sujeitos com deficiência neurológica. Para isso, será utilizado um dataset multicanal já existente. A implementação desta solução foi dividida em duas fases. A primeira refere-se ao processamento dos sinais para obter as features que melhor identificam cada um dos modos de locomoção em análise. Como resultado, foram criados três estudos distintos que diferem no número de canais utilizados. Através da aplicação do método ICA, foi concluido que quanto mais canais forem utilizados num estudo, maior é a probabilidade de existirem canais corrompidos, afectando a eficácia dos resultados. A segunda secção discute a metodologia de classificação. Três diferentes algoritmos de Deep Learning, CNN, LSTM, e a sua combinação, C-LSTM, foram estudados. Além disso, foram comparadas três features diferentes utilizadas como input para cada um dos modelos e para cada um dos estudos. As Features que foram seleccionadas mostraram um maior impacto nos resultados do que o próprio algoritmo de classificação, sendo os ERPs as features que obtiveram os melhores resultados. Por outro lado, todos os modelos apresentaram um bom desempenho, não havendo diferenças significativas entre eles. O estudo que obteve maior precisão foi o estudo 3.