Metodi di estrazione di feature e classificazione per BCI basati su attività sensomotoria

The brain-computer interface (BCI) is a novel technology that is able to analyse the electrical signals coming from the brain and it is also able to interpret our intentions. BCIs are a potential innovative solution for people affected with motor disabilities, since they have the ability to build a line of communication with the outside world. These kinds of BCIs are based on motor imagery and this phenomenon can be seen in electroencephalograms. After an introduction on the general structure of BCIs and motor imagery, this dissertation offers through literature review an overview of two fundamental steps in the information pipeline in BCIs: feature extraction and their classification. Feature extraction has the aim to identify the most informative components of the cerebral signal and these are therefore called features. The techniques of interest are Fourier Transform and autoregressive models in the frequency domain, Wavelet Transform in the time-frequency domain, and Common Spatial Patterns in the spatial domain. Classifiers are essential to decode the thought of movement of a patient. The models of interest are Linear Discriminant Analysis and Support Vector Machines for linear classifiers, and Neural Networks for non-linear classifiers. Since these topics range from signal processing to machine learning, this dissertation gives a brief mathematical definition of each technique, underlining their strengths and limitations.

La brain-computer interface (BCI) è una nuova tecnologia che ha la capacità di analizzare i segnali prodotti dal nostro cervello e di interpretare le nostre intenzioni. Le BCI rappresentano potenzialmente una soluzione innovativa per persone affette da disabilità motorie, dato che hanno la capacità di restaurare un canale di comunicazione con il mondo esterno. Queste particolari BCI sono basate sull’immaginazione motoria e questo fenomeno è individuabile nel segnale elettroencefalico. Dopo una introduzione sulla struttura generale delle BCI e sull’immaginazione motoria, questo elaborato offre, tramite ricerca bibliografica, una panoramica generale su due fasi importanti nel percorso che compie l’informazione nelle BCI: l’estrazione delle feature e la loro classificazione. L’estrazione delle feature ha come scopo l’individuazione delle componenti informative del segnale cerebrale (feature). Le tecniche di interesse sono la trasformata di Fourier e i modelli autoregressivi per il dominio delle frequenze, la trasformata Wavelet per il dominio tempofrequenze, e il Common Spatial Pattern per il dominio spaziale. I classificatori sono componenti fondamentali per decodificare l’intenzione del movimento del paziente. I modelli d’interesse sono l’analisi discriminante lineare e i Support Vector Machine per i classificatori lineari, e le rete neurali per i classificatori non lineari. Essendo queste tecniche molto varie, che spaziano dall’elaborazione dei segnali al machine learning, l’elaborato fornisce una breve definizione matematica ai metodi presentati, evidenziandone le principali caratteristiche e limitazioni.