Title (eng)
Frequency mixing
an effective approach for neurophysiological signal augmentation
Author
Jakob Prager
Advisor
Moritz Grosse-Wentrup
Assessor
Moritz Grosse-Wentrup
Abstract (deu)
Brain-Computer-Interfaces (BCIs) ermöglichen eine direkte Interaktion mit externen Geräten ausschließlich durch das Scannen von Gehirnwellen. Da jedoch die Gehirnaufzeichnungen zwischen Individuen drastisch variieren können, brauchen viele BCIs benutzerspezifisches Training, um gut zu funktionieren. Dies schränkt deren Benutzerfreundlichkeit ein. Ein Ansatz, um dieses Problem anzugehen, ist Data Augmentation. Dabei werden Daten auf vielfältige Weise manipuliert, damit maschinelle Lernsysteme sich an Variabilitäten anpassen und allgemeinere Modelle erstellen können. In dieser Studie präsentiere ich Frequency mixing, einen effektiven Ansatz zur Augmentation neurophysiologischer Signale, der sich insbesondere auf SSVEP (Steady-State Visually Evoked Potential) und EEG2Code-basierte BCIs konzentriert. Mein Hauptziel war es, eine Technik zur Data Augmentation zu entwickeln, die die Klassifizierung von SSVEP-Daten verbessert, ohne auf benutzerspezifisches Training angewiesen zu sein. Zudem sollte ihre Wirksamkeit bei EEG2Code-Daten bewertet werden. Frequency mixing erzeugt neue Datensätze, indem der Durchschnitt der Frequenzspektren verschiedener Probanden berechnet wird. Die Ergebnisse zeigen eine signifikante Verbesserung der Klassifizierungsgenauigkeit von SSVEP-Daten, wobei eine maximale Verbesserung von 9 % bei der Verwendung begrenzter Trainingsdaten erzielt wurde. Obwohl Frequency mixing keine Verbesserungen bei der EEG2Code-Genauigkeit erzielte, zeigt diese Studie sein Potenzial als einfacher und dennoch effektiver Algorithmus zur Augmentation neurophysiologischer Signale.
Abstract (eng)
Brain-computer interfaces (BCIs) enable interaction with external devices entirely by scanning brain waves. However, as brain recordings can vary drastically among individuals, many BCIs struggle to perform well without user-specific training, limiting their usability. One approach to tackle this problem is through Data augmentation. This involves manipulating data in manifold ways so machine learning systems can adjust to variabilities and create more generalizing models. In this study I introduce Frequency mixing, an effective approach to augment neurophysiological signals, particularly focusing on steady-state visual evoked potential (SSVEP) and EEG2Code-based BCIs. My primary objective was to develop a data augmentation technique that improves SSVEP data classification without the need for user-specific training. Furthermore, I assessed their effectiveness on EEG2Code data. Frequency mixing generates new datasets by mixing and averaging frequency spectra from different subjects. The results demonstrate a significant improvement in SSVEP data classification accuracy, with a maximum enhancement of 9% observed when using limited training data. Even though Frequency mixing did not yield improvements in EEG2Code accuracy, this study shows its potential as a simple yet effective algorithm for augmenting neurophysiological signals.
Keywords (deu)
Neurophysiologische SignaleGehirn-Computer-SchnittstellenFrequency mixingSSVEPEEG2Codec-VEPDaten Augmentation
Keywords (eng)
Neurophysiological signalsBrain-computer interfacesBCIsFrequency mixingSSVEPEEG2Codec-VEPData augmentation
Subject (deu)
Type (deu)
Persistent identifier
Extent (deu)
43 Seiten : Illustrationen
Number of pages
48
Study plan
Masterstudium Computational Science
[UA]
[066]
[910]
Association (deu)
Title (eng)
Frequency mixing
an effective approach for neurophysiological signal augmentation
Author
Jakob Prager
Abstract (deu)
Brain-Computer-Interfaces (BCIs) ermöglichen eine direkte Interaktion mit externen Geräten ausschließlich durch das Scannen von Gehirnwellen. Da jedoch die Gehirnaufzeichnungen zwischen Individuen drastisch variieren können, brauchen viele BCIs benutzerspezifisches Training, um gut zu funktionieren. Dies schränkt deren Benutzerfreundlichkeit ein. Ein Ansatz, um dieses Problem anzugehen, ist Data Augmentation. Dabei werden Daten auf vielfältige Weise manipuliert, damit maschinelle Lernsysteme sich an Variabilitäten anpassen und allgemeinere Modelle erstellen können. In dieser Studie präsentiere ich Frequency mixing, einen effektiven Ansatz zur Augmentation neurophysiologischer Signale, der sich insbesondere auf SSVEP (Steady-State Visually Evoked Potential) und EEG2Code-basierte BCIs konzentriert. Mein Hauptziel war es, eine Technik zur Data Augmentation zu entwickeln, die die Klassifizierung von SSVEP-Daten verbessert, ohne auf benutzerspezifisches Training angewiesen zu sein. Zudem sollte ihre Wirksamkeit bei EEG2Code-Daten bewertet werden. Frequency mixing erzeugt neue Datensätze, indem der Durchschnitt der Frequenzspektren verschiedener Probanden berechnet wird. Die Ergebnisse zeigen eine signifikante Verbesserung der Klassifizierungsgenauigkeit von SSVEP-Daten, wobei eine maximale Verbesserung von 9 % bei der Verwendung begrenzter Trainingsdaten erzielt wurde. Obwohl Frequency mixing keine Verbesserungen bei der EEG2Code-Genauigkeit erzielte, zeigt diese Studie sein Potenzial als einfacher und dennoch effektiver Algorithmus zur Augmentation neurophysiologischer Signale.
Abstract (eng)
Brain-computer interfaces (BCIs) enable interaction with external devices entirely by scanning brain waves. However, as brain recordings can vary drastically among individuals, many BCIs struggle to perform well without user-specific training, limiting their usability. One approach to tackle this problem is through Data augmentation. This involves manipulating data in manifold ways so machine learning systems can adjust to variabilities and create more generalizing models. In this study I introduce Frequency mixing, an effective approach to augment neurophysiological signals, particularly focusing on steady-state visual evoked potential (SSVEP) and EEG2Code-based BCIs. My primary objective was to develop a data augmentation technique that improves SSVEP data classification without the need for user-specific training. Furthermore, I assessed their effectiveness on EEG2Code data. Frequency mixing generates new datasets by mixing and averaging frequency spectra from different subjects. The results demonstrate a significant improvement in SSVEP data classification accuracy, with a maximum enhancement of 9% observed when using limited training data. Even though Frequency mixing did not yield improvements in EEG2Code accuracy, this study shows its potential as a simple yet effective algorithm for augmenting neurophysiological signals.
Keywords (deu)
Neurophysiologische SignaleGehirn-Computer-SchnittstellenFrequency mixingSSVEPEEG2Codec-VEPDaten Augmentation
Keywords (eng)
Neurophysiological signalsBrain-computer interfacesBCIsFrequency mixingSSVEPEEG2Codec-VEPData augmentation
Subject (deu)
Type (deu)
Persistent identifier
Number of pages
48
Association (deu)
License
- Citable links
- Other links
- Managed by
- Details
- Usage statistics-
- Metadata
- Export formats