A Randomised Ensemble Learning Approach for Multiclass Motor Imagery Classification Using Error Correcting Output Coding

Functional Connectivity and Feature Fusion Enhance Multiclass Motor-Imagery Brain-Computer Interface Performance

(1) Background: in the field of motor-imagery brain-computer interfaces (MI-BCIs), obtaining discriminative features among multiple MI tasks poses a significant challenge. Typically, features are extracted from single electroencephalography (EEG) channels, neglecting their interconnections, which leads to limited results. To address this limitation, there has been growing interest in leveraging functional brain connectivity (FC) as a feature in MI-BCIs. However, the high inter- and intra-subject variability has so far limited its effectiveness in this domain. (2) Methods: we propose a novel signal processing framework that addresses this challenge. We extracted translation-invariant features (TIFs) obtained from a scattering convolution network (SCN) and brain connectivity features (BCFs). Through a feature fusion approach, we combined features extracted from selected channels and functional connectivity features, capitalizing on the strength of each component. Moreover, we employed a multiclass support vector machine (SVM) model to classify the extracted features. (3) Results: using a public dataset (IIa of the BCI Competition IV), we demonstrated that the feature fusion approach outperformed existing state-of-the-art methods. Notably, we found that the best results were achieved by merging TIFs with BCFs, rather than considering TIFs alone. (4) Conclusions: our proposed framework could be the key for improving the performance of a multiclass MI-BCI system.

A new dataset for EEG abnormality detection MTOUH

Elektroensefalogram (EEG), beyindeki elektriksel aktivitenin izlenmesi için yaygın olarak kullanılmaktadır. EEG sinyallerinin hekimler tarafından incelenmesi yorucu ve zaman alıcıdır. Bu nedenle, algılama doğruluğunu artırmak için makine öğrenme teknikleri kullanılabilir. Bu çalışmada 35 kanal, 10575x15 saniye normal ve 11240x15 saniye anormal EEG sinyalinden oluşan 2 sınıflı veri seti oluşturulmuştur. Bu very seti Turgut Özal Üniversitesi Malatya Eğitim Araştırma Hastanesi’ ne 2021 yılında başvuran hastaların EEG sinyalleri incelenerek elde edilmiştir. Çalışmada istatistiksel özellik çıkarımı tabanlı bir model önerilmiştir. Önerilen modele komşu bileşen analizi kullanılarak öznitelik vektörü indirgemesi yapıldıktan sonra destek vektör makineleri kullanılarak sınıflandırma yapılmıştır. 35 kanaldan en yüksek doğruluk P4O2 kanalında elde edilmiştir. P4O2 kanalı için doğruluk, duyarlılık, özgüllük, kesinlik ve f-skoru sırasıyla %81.3,%78.9, %83.7, %82.0 ve %80.4 olarak elde edilmiştir.