Brain-machine interface using nonlinear Kalman filters and channel selection
Interface cérebro-máquina usando filtros de Kalman e seleção de canais
| dc.contributor | CAVALCANTI, George Darmiton da Cunha | |
| dc.contributor | MATHEWS, V John | |
| dc.creator | DANTAS, Henrique Cunha | |
| dc.date | 2015-10-22T16:37:20Z | |
| dc.date | 2015-10-22T16:37:20Z | |
| dc.date | 2015-06-26 | |
| dc.identifier | https://repositorio.ufpe.br/handle/123456789/14238 | |
| dc.description | This dissertation describes the use of Kalman Filter to decode neural signals, which were recorded using cortical surface potentials, acquired with dense grids of microelectrodes, for brain-computer interfaces (BCIs). This work represents a combination of electronic and biomedical engineering, machine learning and neural science. Kalman filters have been used to decode neural signals and estimate hand kinematics in many studies. However, most prior work assumes a linear system model, an assumption that is violated by neural systems. In this dissertation, I added nonlinearities to the decoding algorithm improving the accuracy of tracking hand movements using neural signal acquired via a 32-channel micro-electrocorticographic (µECoG) grid placed over the arm and hand representations in the motor cortex. Experimental comparisons indicate that a Kalman filter with a fifth order polynomial generative model with cross product relating the hand kinematics signals to the neural signals improved the mean-square tracking performance in the hand movements over a conventional Kalman filter employing a linear system model. While in other works the channel delays were estimated using algorithm based on hill climbing or assuming the uniformity of delay across all the channels. In this work, Particle Swarm of Optimization was applied to better estimate the delays. Also, I was also able to develop a generalized feature selection algorithm and apply to it, to select the most significant channels. As expected this caused a loss in accuracy, but the results of a 16 neural channels system were comparable with the full 32 channel system. This dissertation represents a comprehensive investigation of addition of non linearities, delay estimation and feature selection for Kalman Filter, when used as interface between man and machine. | |
| dc.description | CAPES | |
| dc.description | Essa dissertação descreve o uso dos Filtros de Kalman para decodificar sinais neurais, que são gravados na superfície do córtex cerebral por uma malha densa de micro eletrodos, para interfaces cérebro computador. Esse trabalho representa a combinação entre os campos das engenharia eletrônica e biomédica, aprendizagem de máquina e neuro ciência. Filtros de Kalman tem sido usados para decodificar sinais neurais e estimar os estados cinemáticos da mão em diversos estudos. No entanto, na maioria dos trabalhos anteriores é assumido linearidade, tal premissa é quase certa de ser falsa em sistemas neurais. Nessa dissertação, foi adicionado não linearidades ao algoritmo de decodificação, que resultou em uma melhora na acurácia da predição dos movimentos da mão para sinais adquiridos por uma malha de 32 micro canais eletrocortigráfico (µECoG), colocados sobre as áreas que representam mão e braços no córtex motor. Comparações experimentais indicam que os Filtros de Kalman com quinta ordem polinomial no modelo generativo com o produto cruzado para relacionar o estado cinemático da mão com os sinais neurais melhoram o erro quadrático se comparado com os Filtros de Kalman tradicionais. Enquanto em outros trabalhos os retardos dos canais são estimados com algoritmos de subida de encosta ou assumindo uniformidade entre os atrasos. Nesse trabalho, foi usado otimização po exame (PSO) para estimar os melhores retardos para cada canal. Nesse trabalho, também foi desenvolvido uma generalização da informação mutua para selecionar os melhores canais. Como o esperado a redução para 16 canais neurais, levou a uma perda de desempenho, porém os resultados são comparáveis. Essa dissertação representa uma compreensiva investigação sobre a adição de não linearidades, estimação de atrasos e seleção de características para Filtros de Kalman, quando usados como interface entre homem e máquina. | |
| dc.format | application/pdf | |
| dc.language | eng | |
| dc.publisher | UFPE | |
| dc.publisher | Brasil | |
| dc.publisher | Programa de Pos Graduacao em Ciencia da Computacao | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | |
| dc.subject | Redes neurais | |
| dc.subject | Interface cérebro-computador | |
| dc.title | Brain-machine interface using nonlinear Kalman filters and channel selection | |
| dc.title | Interface cérebro-máquina usando filtros de Kalman e seleção de canais | |
| dc.type | masterThesis |