A Genetic Algorithm for P300 Feature Extraction

Abstract

Brain-Machine Interface (BMI) systems collect and classify electroencephalogram (EEG) data to predict the desired command of the user. The P300 EEG signal is passively produced when a user observes or hears a desired stimulus. The P300 can be used with a visual display to allow a BMI user to select commands from an array of selections. P300 signal to noise ratios are low, to increase classification accuracy repeated unclassified signals, epochs, are often averaged before classification. The process of epoch averaging reduces the number of commands a user can select in a given amount of time. To improve command rate we explored classification of single-epoch P300 signals. An EEG BMI system was constructed to allow offline training and live testing. Using a genetic algorithm to select features of data we classified P300 signals with 78.3% accuracy using a Support Vector Machine classifier. Using multi-epoch averaging improved classification and enabled a simulated mobile-robot steering system. In live testing users were able to achieve 7.5 commands per minute and complete the steering challenge. The features selected by the genetic algorithm are discussed for use in future minimum-epoch P300 systems.

Un système d’interface cerveau machine (BMI) collecte et classifie des données électroencéphalogrammes (EEG) pour prédire le résultat escompté de l’utilisateur. Le signal P300 EEG est produit passivement quand un utilisateur observe ou entend un stimulus désiré. Le P300 peut être utilisé avec un écran pour permettre un utilisateur du BMI de sélectionner des commandes à partir d’un tableau de sélections. Le rapport signal bruit du P300 est bas, pour augmenter l’exactitude, les signaux non-classifiés sont répétés et terme d’époques et sont souvent moyennés. Le processus de moyenné les époques réduit le nombre de commandes qu’un utilisateur peut sélectionner dans un certain lapse de temps. Afin d’améliorer le taux de commandes nous avons exploré la classification d’une seul époque des signaux du P300. Un système EEG BMI a été construit pour permettre l’entraînement hors ligne et les tests en ligne. En utilisant un algorithme génétique pour sélectionner les caractéristiques des données nous avons classifié des signaux du P300 et ceux provenant d’autres sources à 78.3% en utilisant un engin de classification basé sur le State Vector Machine. L’utilisation de moyenner les multi-époques a amélioré la classification et a permis la direction d’un robot mobile. Durant les tests en ligne les utilisateurs ont été capable de donner 7.5 commandes par minute et de compléter les défis de direction de robots. Les caractéristiques sélectionnées par l’algorithme génétique sont discutés pour utilisation dans un époque minimum de systèmes P300.