AbstractsComputer Science

A brain computer interface (BCI) is a system to interpret a user’s intentionthrough using the users brain activity. The system is todayforemost used for research for disabled people. Electroencephalography(EEG) is the most common method used by BCI to record the brainactivity of the user, where the relevant information is read from thebeta and mu waves in the brain. These brain waves are from the partof the brain that is activated when user are doing problem solving orimagining moving a part of the body.This report will investigate EEG-data taken from test subjects imaginingto move left or right arm. To investigate the data from the EEG,two of the most common classification models, Multi-Layer Perceptron(MLP) and Support Vector Machines (SVM), will be used. The investigationwill show how well the models performs in session-to-sessiongeneralisation, which means we will evaluate the performance of theclassifier when testing the it on data from another session than the sessionit was trained on.The tests shows that the SVM, with the Gaussian Radial BasisFunction (RBF) as kernel, yielded the best results. For every personthere is three sessions, EEG data required at three separate occasions,that were used in the tests and, for the SVM, it is clear that training on the first two sessions combined and testing on the last session gavethe best classification of the EEG data. However, for the MLP thedifferences in results, from training on one session or two, smaller. ; Ett Brain Computer Interface (BCI) är ett system för att tolka en användares avsikt genom att använda sig av användarens hjärnaktivitet. Systemet används främst idag för forskning på personer som har en funktionsnedsättning. Elektroencefalografi (EEG) är den mest vanliga metoden för BCI för att samla data från en användares hjärnaktivitet,där den relevanta informationen läses från hjärnans beta- och my-vågor. Det är hjärnvågor från den del av hjärnan som aktiveras till exempel avatt användaren utför problemlösning eller föreställer sig att röra en delav kroppen. Denna rapport kommer undersöka data från EEG med testpersoner som föreställer sig röra höger eller vänster arm. För att undersöka datanfrån EEG kommer två av de mest använda modellerna, Multi-Layer perceptron(MLP) och Support Vector Machines (SVM), användas. Undersökningen kommer visa hur väl modellerna fungerar vid generaliseringöver olika sessioner, vilket innebär att klassificeraren testas på en annan session än den sessionen den tränades med. Testerna visar att SVM, med Gaussian Radial Basis Function (RBF)som kärna, som gav bäst resultat. För varje person finns det tre sessioner, alltså EEG-data insamlat vid tre olika tillfällen, som användes under testet och för SVM är det tydligt att träna med de två första sessionerna tillsammans för att sedan testa på den sista sessionen ger bäst klassificering av EEG-datan. För MLP är skillnaden i resultaten,från att träna på en session eller två, mindre.