Wavelet transformation in brain-computer interfaces

Sustavi sučelja mozga i računala (engl. Brain-computer interfaces, BCI) predstavljaju rješenja komunikacije između čovjeka i računala putem mjerene bioelektrične aktivnosti mozga. Komunikacija je tako nezavisna o neuromišićnim putevima te se uspostavlja namjerom ili zamisli putem senzoričke obrade informacija u mozgu ili pak kognitivnim procesima. U ovom radu obrađeni su EEG signali prilikom zamišljanja pokreta lijeve i desne ruke. Kao oruđe analize korištena je metoda valićne transformacije s devet različitih prototipnih valića. Multirezolucijska analiza diskretnom valićnom transformacijom provedena je za detalje četvrte razine. Za usporedbu uspješnosti klasifikacije signal je analiziran Fourierovom transformacijom na vremenskom otvoru (engl. Short-time Fourier Transform, STFT). Klasifikacija je provedena linearnom diskriminantnom analizom (engl. Linear discriminant analysis, LDA). Korištenje valićne transformacije polučilo je slične rezultate u klasifikaciji EEG signala prilikom zamišljanja pokreta kao i korištenje Fourierove transformacije na vremenskom otvoru. Jedna od pogodnosti koji donosi valićna transformacija je smanjenje mogućih frekvencijskih, odnosno skalarnih, blokova koje je potrebno obraditi za pojedinog ispitanika.Brain-computer interfaces (BCI) give solutions for communication between human and computer with measured bioelectrical activity of the brain. In such way, communication is independent of the normal neuromuscular pathways. Communication is established by the means of attention or thought with sensory or cognitive brain processes. In this paper EEG signals during right and left hand motor imagery are analyzed. Wavelet transform with nine different mother wavelets was used as a tool of analysis. Multiresolution analysis with discrete wavelet transform (DWT) was done for level 4 details. For comparison of classification results, signal was also analyzed with short-time Fourier transform (STFT). Classification was done with linear discriminant analysis (LDA). Wavelet transform gave similar results in classification accuracy of motor imagery EEG signals as short-time Fourier transform. Benefit of wavelet transform approach is reduction of number of frequency (scalar) bands analyzed for individual subject