P300-speller : Géométrie Riemannienne pour la détection multi-sujets de potentiels d'erreur
Résumé
A methodology is presented to address the issue of detecting Error Potentials in the context of a P300-speller brain-computer interface.
The proposed approach proved highly efficient in a recent competition organized on kaggle.com: authors finished first out of 260 competing
teams (311 participants). The approach consists of three main foundations: an ad-hoc spatial filtering focuses the energy of the evoked potential,
covariance matrices of the EEG signals are then interpreted in a Riemannian fashion to build features fed to the classification algorithm, and
lastly, a bagging procedure increases robustness when detecting Error Potentials on unseen subjects.
Cette communication présente une méthode de détection de potentiels d'erreur dans le cadre d'une interface cerveau-machine P300-speller. Cette méthode a été employée avec succès lors d'une compétition ayant rassemblé 260 équipes (311 personnes) sur kaggle.com. L'approche repose sur trois pilliers principaux : un filtrage spatial concentrant le signal d'intérêt, une classification basée sur des caractéristiques issues d'une interprétation Riemannienne des matrices de covariance du signal électroencéphalographique, et enfin une méthode d'ensemble (bagging) apportant la robustesse nécessaire au transfert des performances pour la détection des potentiels d'erreur sur de nouveaux sujets.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...
