Time series analysis using information measures supporting supervised learning tasks

Abstract

The brain-computer interfaces provide an alternative control of the devices through the activity of the human brain. The selection of channels as a stage for the development of BCI systems allows to evaluate the important information and improve the performance of the systems. However, the current methodologies for channel selection are not always exact, they also have a high computational cost because in the acquisition of the data redundant data are presented. For this reason, a methodology that is robust and has an optimal performance in the selection of channels is necessary. This in order to reduce costs in the acquisition, reduce the computational cost and improve overall performance. This document proposes three methods to improve the classification performance in BCI tasks.\\ The first is a trial-wise channel filtering by selecting the subset of independent components with the largest entropy. This method holds two free parameters: The order for the Renyi entropy weighs the component quantization according to its probability, and the percentage of retained entropy that rules the number of independent components to reconstruct the spatially filtered EEG channels. Both free parameters are tuned using a subject-dependent grid search for the best classification accuracy. The results show that using ICA as a spatial filtering allows the feature extraction stage to build more discriminating spaces, reducing the influence of non-informative components. As an advantage, the resulting spatial filtering maintains the physiological interpretation of the EEG channels. The second method is a relevance analysis based on the maximum mean discrepancy as the distance function between a pair of single-channel trials, termed rMMD. The proposed rMMD starts with a trial embedding that highlights temporal dynamics, and ends with a channel ranking according to a designed relevance function. The function relies on the within and between class distances to quantify the discrimination capability of each channel.In comparison with no channel selection and a heuristic approach, our proposed relevance analysis statistically improves the classification of MI tasks with a reduced set of channels. We evaluate the rMMD on a bi-class motor-imagery (MI) dataset holding 64 channels and more than 40 subjects. The third method proposes a measure of relevance based on the projection of the data in a high-dimensional space from the kernel trick method in which correntropy is used as a measure of similarity. This allows the method to be robust to the variations temporary and variability present in the different tests. From this measure, a selection of patterns is made that significantly improves the classification performance in bi-class motor imagery task (MI) in a public database composed of 22 channels and nine subjects.

Las interfaces cerebro-computadora proporcionan un control alternativo de los dispositivos a través\ de la actividad del cerebro humano. La selección de canales como etapa para el desarrollo de sistemas BCI permite evaluar la información importante y mejorar el desempeño de los sistemas. Sin embargo las metodologías actuales para realizar la selección de canales no son siempre exactas, ademas tienen un alto coste computacional debido a que en la adquisición de los datos se presentan datos redundantes. Por esta razón es necesaria una metodología que sea robusta y tenga un optimo desempeño en la selección de canales. Esto con la finalidad de disminuir costos en la adquisición, reducir el coste computacional y mejorar el desempeño general. Este documento propone tres métodos para mejorar el rendimiento de clasificación en tareas de BCI. El primero es un filtrado de canales seleccionando el subconjunto de componentes independientes con la entropía más grande. Este método tiene dos parámetros libres: el orden para la entropía de Renyi que pesa la cuantificación del componente de acuerdo con su probabilidad, y el porcentaje de entropía retenida que gobierna el número de componentes independientes para reconstruir los canales EEG espacialmente filtrados. Ambos parámetros libres se ajustan usando una búsqueda de cuadrícula dependiente del sujeto para obtener la mejor precisión de clasificación. Los resultados muestran que el uso de ICA como un filtro espacial permite que la etapa de extracción de características cree espacios más selectivos, reduciendo la influencia de los componentes no informativos. Como ventaja, el filtrado espacial resultante mantiene la interpretación fisiológica de los canales EEG. El segundo método es un análisis de relevancia basado en la discrepancia media máxima como la función de distancia entre un par de ensayos de un solo canal, denominado rMMD. La rMMD propuesta comienza con un mapeo de las pruebas que destaca la dinámica temporal y finaliza con una clasificación de canales según una función de relevancia diseñada. La función depende de las distancias internas y entre clases para cuantificar la capacidad de discriminación de cada canal. En comparación con ninguna selección de canales y un enfoque heurístico, nuestro análisis de relevancia propuesto mejora estadísticamente la clasificación de tareas MI con un conjunto reducido de canales. Evaluamos ambos métodos en un conjunto de datos bi-clase de motor-imagery (MI) que contiene 64 canales y m\'{a}s de 40 sujetos. El tercer método propone una medida de relevancia basado en la proyección de los datos en un espacio de alta dimensión a partir de método de kernel trick en el cual se usa como medida de similitud la correntropia, esto permite que el método sea robusto a las variaciones temporales y la variabiliad presente en las diferentes pruebas. A partir de esta medida se realiza una selección de patrones que mejora significativamente el desempeño de clasificación en una tarea de motor imagery bi-clase (MI) en una base de datos publica compuesta por 22 canales y nueve sujetos.