EEG classification for BCI using genetic algorithm and k-fold cross validation
Ivaylo E. Ivaylov
Brain-Computer Interfaces (BCIs) have become popular in the last years and are used for several applications in human-computer interfaces including attention and workload measures as well as for direct control of objects. In this paper an electroencephalography (EEG) signal classification approach is applied for BCI. In this paper an approach based on genetic algorithm and k-fold cross validation is suggested for the EEG signal de-noising problem in motor imagery BCI. In order to evaluate the influence of the proposed feature extraction and feature selection approach on the accuracy of EEG signal classification five classification algorithms are adopted that are selected based on their performance in solving signal processing problems: Logistic Regression, K-neighbors, Support Vector Classifier (SVC) with Linear Regression, SVC with Radial Basis Function (RBF) Regression and Gaussian Training Classifier. The experimental results on Electrocorticography (ECoG) mental dataset for motor imagery BCI show that the classification accuracy can be improved by use of the suggested utilization of and k-fold cross validation at the feature extraction stage and genetic algorithm at the feature selection stage and the additional computational overhead is not significant.
Мозъчно-компютърните интерфейси стават все по-популярни през последните години. Изследователите използват тази технология за няколко типа приложения, включително приложения за привличане на внимание и натоварване, но също така и за директен контрол на обекти с помощта на BCI. В статията е представен подход за класификация на електроенцефалографски сигнали, базиран на използване на генетични алгоритми и k-кратна валидация за извличане и избор на признаци с цел подобряване на точността на класификацията. За да се оцени влиянието на предложеният подход върху точността на класификацията на ЕЕГ сигнали са използвани пет класификационни алгоритма, избрани поради ефективност им при обработка на сигнали: когистична регресия, класификация с K- съседи, класификация с опорни вектори и линейна регресия, класификация с опорни вектори и регресия с радиална базисна функция и класификатор на Гаусово обучение. Експерименталните резултати, получени за обучаващи електрокортикографски (ECoG) ментални данни показват, че точността на класификацията може да се подобри чрез използване на предложения подход с използване и k-кратно кръстосано валидиране на етапа на извличане на характеристика и генетичен алгоритъм на етапа на избор на характеристика, при това допълнителните изчислителни ресурси са несъществени спрямо подорението на точнсотта на класификацията.
Cite this article as:
Ivaylov I. EEG classification for BCI using genetic algorithm and k-fold cross validation. Electrotechnica & Electronica (Е+Е), Vol. 56 (3-4), 2021, pp.38-45, ISSN: 0861-4717 (Print), 2603-5421 (Online)