EEG-Based BCI for Motor Imagery: From Signal Acquisition to Pattern Classification

This thesis provides a literature-based discussion and evaluation of various methods for the analysis and processing of signals obtained through an electroencephalography-based brain- computer interface (BCI) focused on Motor Imagery (MI). The data used in this study are drawn from a review of literature where a Physionet dataset available online has been used as source of EEG recordings. The first chapter provides an overview of BCI, highlighting its key features, applications, and current challenges. The following section explores the use of EEG as the method to record brain signals, and defines the purpose of motor imagery in the BCI context. The third chapter presents the case study, evaluating signal analysis techniques applied to the Physionet data. Specifically, it discusses preprocessing, channel selection and optimization, features extraction, and classification techniques. Finally, the thesis examines Deep Learning methods as event classifiers and briefly compares them with machine learning techniques.

L'elaborato fornisce una discussione e valutazione, rifacendosi alla letteratura, dei vari metodi per l'analisi e l'elaborazione dei segnali ottenuti tramite una interfaccia cervello-computer (BCI) basata sull'elettroencefalografia (EEG) e incentrata sull'imaginazione motoria (IM). I dati utilizzati nell'elaborato sono tratti da una revisione della letteratura nella quale un dataset Physionet disponibile online è stato impiegato come fonte dei segnali EEG. Il primo capitolo fornisce una panoramica della BCI, evidenziandone le caratteristiche chiave, le applicazioni e le attuali sfide. La sezione seguente approfondisce l'uso dell'EEG come metodo d'acquisizione dell'attività cerebrale, e definisce lo scopo dell'immaginazione motoria nell'ambito della BCI. Il terzo capitolo presenta il caso di studio, valutando le tecniche di analisi del segnale applicate ai dati di Physionet. Nello specifico, vengono discussi il preprocessing, la selezione e ottimizzazione dei canali, l'estrazione delle caratteristiche e la classificazione. Infine, la tesi esamina i metodi di Deep Learning come classificatori d'eventi e li compara brevemente con le tecniche di Machine Learning.