Selección de Canales en Sistemas BCI basados en Potenciales P300 mediante Inteligencia de Enjambre

  1. Martínez-Cagigal, V.
  2. Hornero, R.
Revista:
Revista iberoamericana de automática e informática industrial ( RIAI )

ISSN: 1697-7920

Año de publicación: 2017

Volumen: 14

Número: 4

Páginas: 372-383

Tipo: Artículo

DOI: 10.1016/J.RIAI.2017.07.003 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Revista iberoamericana de automática e informática industrial ( RIAI )

Resumen

Los sistemas Brain-Computer Interface (BCI) se definen como sistemas de comunicación que monitorizan la actividad cerebral y traducen determinadas características, correspondientes a las intenciones del usuario, en comandos de control de un dispositivo. La selección de canales en los sistemas BCI es fundamental para evitar el sobre-entrenamiento del clasificador, reducir la carga computacional y aumentar la comodidad del usuario. A pesar de que se han desarrollado varios algoritmos con anterioridad para tal fin, las metaheurísticas basadas en inteligencia de enjambre aún no han sido suficientemente explotadas en los sistemas BCI basados en potenciales P300. En este estudio se muestra una comparativa entre cinco métodos de enjambre, basados en el comportamiento de sistemas biológicos, aplicados con el objetivo de optimizar la selección de canales en este tipo de sistemas. Los métodos se han evaluado sobre la base de datos de la “III BCI Competition 2005”, reportando precisiones similares o, en algunos casos, incluso más altas que las obtenidas sin realizar ningún tipo de selección. Dado que los cinco métodos se han demostrado capaces de disminuir drásticamente los 64 canales originales a menos de la mitad sin comprometer el rendimiento del sistema, así como de superar el conjunto típico de 8 canales y el método backward elimination, se concluye que todos ellos son adecuados para su aplicación en la selección de canales en sistemas P300-BCI.

Referencias bibliográficas

  • Bhattacharjee, K. K., Sarmah, S. P., 2015. A binary firefly algorithm for knapsack problems. En: 2015 Int. Conf. Ind. Eng. Eng. Manag. pp. 73–77. DOI: 10.1109/IEEM.2015.7385611
  • Blankertz, B., Muller, K.-R., Krusienski, D. J., Schalk, G., Wolpaw, J. R., Schlogl, A., Pfurtscheller ¨ , G., Millan, ´ J. D. R., Schroder ¨ , M., Birbaumer, N., 2006. The BCI competition III: Validating alternative approaches to actual BCI problems. IEEE Trans. Neural Syst. Rehabil. Eng. 14 (2), 153–159. DOI: 10.1109/TNSRE.2006.875642
  • Bonabeau, E., Dorigo, M., Theraulaz, G., 1999. Swarm intelligence: from natural to artificial systems. Oxford University Press. DOI: 10.1007/s13398-014-0173-7.2
  • Brownlee, J., 2011. Clever Algorithms: Nature-Inspired Programming Recipes, 2nd Edition. DOI: 10.1017/CBO9781107415324.004
  • Cecotti, H., Rivet, B., Congedo, M., Jutten, C., Bertrand, O., Maby, E., Mattout, J., 2011. A robust sensor-selection method for P300 brain-computer interfaces. J. Neural Eng. 8 (1), 016001. DOI: 10.1088/1741-2560/8/1/016001
  • Clerc, M., Kennedy, J., 2002. The Particle Swarm–Explosion, Stability, and Convergence in a Multidimensional Complex Space. IEEE Trans. Evol. Comput. 6 (1), 58–73. DOI: 10.1109/4235.985692
  • Colwell, K. A., Ryan, D. B., Throckmorton, C. S., Sellers, E. W., Collins, L. M., 2014. Channel selection methods for the P300 Speller. J. Neurosci. Methods 232, 6–15. DOI: 10.1016/j.jneumeth.2014.04.009
  • Dorigo, M., Di Caro, G., 1999. The Ant Colony Optimization Meta-Heuristic. New Ideas Optim. 2, 11–32. DOI: 10.1109/CEC.1999.782657
  • Dorigo, M., Stutzle, ¨ T., 2004. Ant Colony Optimization. The MIT press.
  • Farwell, L. A., Donchin, E., 1988. Talking off the top of your head: toward a mental prosthesis utilizing event-related brain potentials. Electroencephalogr. Clin. Neurophysiol. 70 (6), 510–523. DOI: 10.1016/0013-4694(88)90149-6
  • Gonzalez, A., Nambu, I., Hokari, H., Iwahashi, M., Wada, Y., 2013. Towards the classification of single-trial event-related potentials using adapted wavelets and particle swarm optimization. Proc. - 2013 IEEE Int. Conf. Syst. Man, Cybern. SMC 2013, 3089–3094. DOI: 10.1109/SMC.2013.527
  • Guyon, I., Elisseeff, A., 2003. An Introduction to Variable and Feature Selection. J. Mach. Learn. Res. 3 (3), 1157–1182. DOI: 10.1016/j.aca.2011.07.027
  • Jin, J., Allison, B. Z., Brunner, C., Wang, B., Wang, X., Zhang, J., Neuper, C., Pfurtscheller, G., 2010. P300 Chinese input system based on Bayesian LDA. Biomed. Tech. 55 (1), 5–18. DOI: 10.1515/BMT.2010.003
  • Jobson, J. D., 1991. Applied multivariate data analysis. Volume I: Regression and Experimental Design, 4th Edition. Vol. 1. Springer.
  • Karaboga, D., 2005. An Idea Based on Honey Bee Swarm for Numerical Optimization. Tech. rep., Erciyes University.
  • Karaboga, D., Gorkemli, B., Ozturk, C., Karaboga, N., 2014. A comprehensive survey: Artificial bee colony (ABC) algorithm and applications. Artif. Intell. Rev. 42 (1), 21–57. DOI: 10.1007/s10462-012-9328-0
  • Kee, C.-Y., Ponnambalam, S., Loo, C.-K., 2015. Multi-objective genetic algorithm as channel selection method for P300 and motor imagery data set. Neurocomputing 161, 120–131. DOI: 10.1016/j.neucom.2015.02.057
  • Kennedy, J., Eberhart, R., 1995. Particle swarm optimization. Neural Networks, 1995. Proceedings., IEEE Int. Conf. 4, 1942–1948 vol.4. DOI: 10.1109/ICNN.1995.488968
  • Kennedy, J., Eberhart, R., 1997. A Discrete Binary Version of the Particle Swarm Algorithm. 1997 IEEE Int. Conf. Syst. Man, Cybern. Comput. Cybern. Simul. 5, 4–8. DOI: 10.1109/ICSMC.1997.637339
  • Kennedy, J., Eberhart, R. C., Shi, Y., 2001. Swarm Intelligence. Vol. 2. Academic Press. DOI: 10.4249/scholarpedia.1462
  • Kiran, M. S., 2015. The continuous artificial bee colony algorithm for binary optimization. Appl. Soft Comput. J. 33, 15–23. DOI: 10.1016/j.asoc.2015.04.007
  • Konak, A., Coit, D. W., Smith, A. E., 2006. Multi-objective optimization using genetic algorithms: A tutorial. Reliab. Eng. Syst. Saf. 91 (9), 992–1007. DOI: 10.1016/j.ress.2005.11.018
  • Kong, M., Tian, P., Kao, Y., 2008. A new ant colony optimization algorithm for the multidimensional Knapsack problem. Comput. Oper. Res. 35 (8), 2672– 2683. DOI: 10.1016/j.cor.2006.12.029
  • Kruger, T. J., Davidovic, T., Teodorovi ´ c, D., ´ Selmi ˇ c, M., 2016. The bee colony ´ optimization algorithm and its convergence. Int. J. Bio-Inspired Comput. 8 (5), 340–354.
  • Krusienski, D., Sellers, E., McFarland, D., Vaughan, T., Wolpaw, J., 2008. Toward enhanced P300 speller performance. J. Neurosci. Methods 167 (1), 15–21. DOI: 10.1016/j.jneumeth.2007.07.017
  • Kubler, A., Birbaumer, N., 2008. Brain-computer interfaces and communication in paralysis: Extinction of goal directed thinking in completely paralysed patients? Clin. Neurophysiol. 119 (11), 2658–2666. DOI: 10.1016/j.clinph.2008.06.019
  • Kubler, A., Nijboer, F., Birbaumer, N., 2007. Brain-Computer Interfaces for communication and motor control – perspectives on clinical application. En: Toward Brain-Computer Interfacing, 1st Edition. MA: The MIT Press, pp. 373–391.
  • Martínez-Cagigal, V., Gomez-Pilar, J., Alvarez, D., Hornero, R., 2016. ´ An asynchronous P300-based brain-computer interface web browser for severely disabled people. IEEE Transactions on Neural Systems and Rehabilitation Engineering (Aceptado). DOI: 10.1109/TNSRE.2016.2623381
  • Perseh, B., Sharafat, A. R., jun 2012. An Efficient P300-based BCI Using Wavelet Features and IBPSO-based Channel Selection. J. Med. Signals Sens. 2 (3), 128–143.
  • Pham, D. T., Ghanbarzadeh, A., Koc¸, E., Otri, S., Rahim, S., Zaidi, M., 2006. The Bees Algorithm - A Novel Tool for Complex Optimisation Problems. Intell. Prod. Mach. Syst. - 2nd I*PROMS Virtual Int. Conf., 454–459. DOI: 10.1016/B978-008045157-2/50081-X
  • Rakotomamonjy, A., Guigue, V., 2008. BCI Competition III: Dataset II - Ensemble of SVMs for BCI P300 Speller. IEEE Trans. Biomed. Eng. 55 (3), 1147–1154.
  • Rivet, B., Cecotti, H., Maby, E., Mattout, J., 2012. Impact of spatial filters during sensor selection in a visual P300 brain-computer interface. Brain Topogr. 25 (1), 55–63. DOI: 10.1007/s10548-011-0193-y
  • Rivet, B., Cecotti, H., Phlypo, R., Bertrand, O., Maby, E., Mattout, J., 2010. EEG sensor selection by sparse spatial filtering in P300 speller BrainComputer Interface. 2010 Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBC’10, 5379–5382. DOI: 10.1109/IEMBS.2010.5626485
  • Salvaris, M., Sepulveda, F., 2009. Visual modifications on the p300 speller bci paradigm. Journal of neural engineering 6 (4), 046011.
  • Schalk, G., McFarland, D. J., Hinterberger, T., Birbaumer, N., Wolpaw, J. R., 2004. BCI2000: A general-purpose brain-computer interface (BCI) system. IEEE Trans. Biomed. Eng. 51 (6), 1034–1043. DOI: 10.1109/TBME.2004.827072
  • Witten, I. H., Frank, E., 2011. Data Mining: Practical Machine Learning Tools and Techniques, 3rd Edition. Morgan Kaufmann.
  • Wolpaw, J. R., Birbaumer, N., Heetderks, W. J., McFarland, D. J., Peckham, P. H., Schalk, G., Donchin, E., Quatrano, L. A., Robinson, C. J., Vaughan, T. M., 2000. Brain-computer interface technology: a review of the first international meeting. IEEE Trans. Rehabil. Eng. 8 (2), 164–173. DOI: 10.1109/TRE.2000.847807
  • Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G., Vaughan, T. M., 2002. Brain-computer interfaces for communication and control. Clin. Neurophysiol. 113 (6), 767–91. DOI: 10.1016/S1388-2457(02)00057-3
  • Xu, M., Qi, H., Ma, L., Sun, C., Zhang, L., Wan, B., Yin, T., Ming, D., 2013. Channel Selection Based on Phase Measurement in P300-Based Brain-Computer Interface. PLoS One 8 (4), 1–9. DOI: 10.1371/journal.pone.0060608
  • Yang, X. S., 2009. Firefly Algorithms for Multimodal Optimization. Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics) 5792 LNCS, 169–178. DOI: 10.1007/978-3-642-04944-6 14
  • Yang, X.-S., 2014. Nature-Inspired Optimization Algorithms, 1st Edition. Elsevier Inc.
  • Yang, X.-S., Cui, Z., Xiao, R., Gandomi, A. H., Karamanoglu, M., 2013. Swarm Intelligence and Bio-Inspired Computation: Theory and Applications, 1st Edition. Elsevier Inc. DOI: 10.1016/B978-0-12-405163-8.00020-X
  • Yu, T., Yu, Z., Gu, Z., Li, Y., 2015. Grouped Automatic Relevance Determination and Its Application in Channel Selection for P300 BCIs. IEEE Trans. Neural Syst. Rehabil. Eng. 23 (6), 1068–1077. DOI: 10.1109/TNSRE.2015.2413943
Fuente de los datos: Dialnet