A parameter free model for motor imagery detection based on Riemannian geometry: preliminary results
- Autores
- Hernández, Hugo Sacha Uriel; Galván, Catalina María; Peterson, Victoria; Spies, Ruben Daniel
- Año de publicación
- 2019
- Idioma
- inglés
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- Brain-computer interfaces (BCIs) provide a non-muscular channel to control external devices using only brain activity. Motor Imagery BCI (MI-BCI) systems are based on decoding the imagination of certain movements. Although the Common Spatial Patterns (CSP) algorithm, as well as its regularized versions, can be successfully applied for MIdetection, it has some limitations in adapting to data changes. In this context, Riemannian geometry seems to be a promising approach to construct a simple, robust and parameter-free decoding model. In this work we implement and evaluate an MI decoding algorithm based on Riemannian Geometry. In particular, the Riemannian distance and its mean are used for constructing a "minimum distance to mean" (MDM) classifier. MDM is compared with the traditional CSP method, showing very similar classification results in both cross-validation and online simulation scenarios. These results indicate that Riemannian framework seems to be a very promising tool for robust MI detection.
Fil: Hernández, Hugo Sacha Uriel. Universidad Nacional de Entre Ríos. Facultad de Ingeniería; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina
Fil: Galván, Catalina María. Universidad Nacional de Entre Ríos. Facultad de Ingeniería; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Matemática Aplicada del Litoral. Universidad Nacional del Litoral. Instituto de Matemática Aplicada del Litoral; Argentina
Fil: Peterson, Victoria. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional; Argentina
Fil: Spies, Ruben Daniel. Universidad Nacional del Litoral. Facultad de Ingeniería Química. Departamento de Matemáticas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Matemática Aplicada del Litoral. Universidad Nacional del Litoral. Instituto de Matemática Aplicada del Litoral; Argentina
VII Congreso de Matemática Aplicada, Computacional e Industrial
Rio Cuarto
Argentina
Universidad Nacional de Rio Cuarto. Facultad de Ciencias Exactas, Físico-Química y Naturales
Asociación Argentina de Matemática Aplicada, Computacional e Industrial - Materia
-
BRAIN COMPUTER INTERFACE
MOTOR IMAGERY
ELECTROENCEPHALOGRAPHY
COMMON SPATIAL PATTERNS
RIEMANNIAN GEOMETRY - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
- Repositorio
- Institución
- Consejo Nacional de Investigaciones Científicas y Técnicas
- OAI Identificador
- oai:ri.conicet.gov.ar:11336/174521
Ver los metadatos del registro completo
id |
CONICETDig_30eb2012898a08bc60a8b2d116ef3d03 |
---|---|
oai_identifier_str |
oai:ri.conicet.gov.ar:11336/174521 |
network_acronym_str |
CONICETDig |
repository_id_str |
3498 |
network_name_str |
CONICET Digital (CONICET) |
spelling |
A parameter free model for motor imagery detection based on Riemannian geometry: preliminary resultsHernández, Hugo Sacha UrielGalván, Catalina MaríaPeterson, VictoriaSpies, Ruben DanielBRAIN COMPUTER INTERFACEMOTOR IMAGERYELECTROENCEPHALOGRAPHYCOMMON SPATIAL PATTERNSRIEMANNIAN GEOMETRYhttps://purl.org/becyt/ford/1.1https://purl.org/becyt/ford/1Brain-computer interfaces (BCIs) provide a non-muscular channel to control external devices using only brain activity. Motor Imagery BCI (MI-BCI) systems are based on decoding the imagination of certain movements. Although the Common Spatial Patterns (CSP) algorithm, as well as its regularized versions, can be successfully applied for MIdetection, it has some limitations in adapting to data changes. In this context, Riemannian geometry seems to be a promising approach to construct a simple, robust and parameter-free decoding model. In this work we implement and evaluate an MI decoding algorithm based on Riemannian Geometry. In particular, the Riemannian distance and its mean are used for constructing a "minimum distance to mean" (MDM) classifier. MDM is compared with the traditional CSP method, showing very similar classification results in both cross-validation and online simulation scenarios. These results indicate that Riemannian framework seems to be a very promising tool for robust MI detection.Fil: Hernández, Hugo Sacha Uriel. Universidad Nacional de Entre Ríos. Facultad de Ingeniería; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; ArgentinaFil: Galván, Catalina María. Universidad Nacional de Entre Ríos. Facultad de Ingeniería; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Matemática Aplicada del Litoral. Universidad Nacional del Litoral. Instituto de Matemática Aplicada del Litoral; ArgentinaFil: Peterson, Victoria. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional; ArgentinaFil: Spies, Ruben Daniel. Universidad Nacional del Litoral. Facultad de Ingeniería Química. Departamento de Matemáticas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Matemática Aplicada del Litoral. Universidad Nacional del Litoral. Instituto de Matemática Aplicada del Litoral; ArgentinaVII Congreso de Matemática Aplicada, Computacional e IndustrialRio CuartoArgentinaUniversidad Nacional de Rio Cuarto. Facultad de Ciencias Exactas, Físico-Química y NaturalesAsociación Argentina de Matemática Aplicada, Computacional e IndustrialAsociación Argentina de Matemática Aplicada, Computacional e Industrial2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/conferenceObjectCongresoJournalhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/174521A parameter free model for motor imagery detection based on Riemannian geometry: preliminary results; VII Congreso de Matemática Aplicada, Computacional e Industrial; Rio Cuarto; Argentina; 2019; 65-682314-3282CONICET DigitalCONICETenginfo:eu-repo/semantics/altIdentifier/url/https://asamaci.org.ar/wp-content/uploads/2021/06/MACI-Vol-7-2019.pdfNacionalinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T10:06:23Zoai:ri.conicet.gov.ar:11336/174521instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 10:06:23.532CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse |
dc.title.none.fl_str_mv |
A parameter free model for motor imagery detection based on Riemannian geometry: preliminary results |
title |
A parameter free model for motor imagery detection based on Riemannian geometry: preliminary results |
spellingShingle |
A parameter free model for motor imagery detection based on Riemannian geometry: preliminary results Hernández, Hugo Sacha Uriel BRAIN COMPUTER INTERFACE MOTOR IMAGERY ELECTROENCEPHALOGRAPHY COMMON SPATIAL PATTERNS RIEMANNIAN GEOMETRY |
title_short |
A parameter free model for motor imagery detection based on Riemannian geometry: preliminary results |
title_full |
A parameter free model for motor imagery detection based on Riemannian geometry: preliminary results |
title_fullStr |
A parameter free model for motor imagery detection based on Riemannian geometry: preliminary results |
title_full_unstemmed |
A parameter free model for motor imagery detection based on Riemannian geometry: preliminary results |
title_sort |
A parameter free model for motor imagery detection based on Riemannian geometry: preliminary results |
dc.creator.none.fl_str_mv |
Hernández, Hugo Sacha Uriel Galván, Catalina María Peterson, Victoria Spies, Ruben Daniel |
author |
Hernández, Hugo Sacha Uriel |
author_facet |
Hernández, Hugo Sacha Uriel Galván, Catalina María Peterson, Victoria Spies, Ruben Daniel |
author_role |
author |
author2 |
Galván, Catalina María Peterson, Victoria Spies, Ruben Daniel |
author2_role |
author author author |
dc.subject.none.fl_str_mv |
BRAIN COMPUTER INTERFACE MOTOR IMAGERY ELECTROENCEPHALOGRAPHY COMMON SPATIAL PATTERNS RIEMANNIAN GEOMETRY |
topic |
BRAIN COMPUTER INTERFACE MOTOR IMAGERY ELECTROENCEPHALOGRAPHY COMMON SPATIAL PATTERNS RIEMANNIAN GEOMETRY |
purl_subject.fl_str_mv |
https://purl.org/becyt/ford/1.1 https://purl.org/becyt/ford/1 |
dc.description.none.fl_txt_mv |
Brain-computer interfaces (BCIs) provide a non-muscular channel to control external devices using only brain activity. Motor Imagery BCI (MI-BCI) systems are based on decoding the imagination of certain movements. Although the Common Spatial Patterns (CSP) algorithm, as well as its regularized versions, can be successfully applied for MIdetection, it has some limitations in adapting to data changes. In this context, Riemannian geometry seems to be a promising approach to construct a simple, robust and parameter-free decoding model. In this work we implement and evaluate an MI decoding algorithm based on Riemannian Geometry. In particular, the Riemannian distance and its mean are used for constructing a "minimum distance to mean" (MDM) classifier. MDM is compared with the traditional CSP method, showing very similar classification results in both cross-validation and online simulation scenarios. These results indicate that Riemannian framework seems to be a very promising tool for robust MI detection. Fil: Hernández, Hugo Sacha Uriel. Universidad Nacional de Entre Ríos. Facultad de Ingeniería; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina Fil: Galván, Catalina María. Universidad Nacional de Entre Ríos. Facultad de Ingeniería; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Matemática Aplicada del Litoral. Universidad Nacional del Litoral. Instituto de Matemática Aplicada del Litoral; Argentina Fil: Peterson, Victoria. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional; Argentina Fil: Spies, Ruben Daniel. Universidad Nacional del Litoral. Facultad de Ingeniería Química. Departamento de Matemáticas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Matemática Aplicada del Litoral. Universidad Nacional del Litoral. Instituto de Matemática Aplicada del Litoral; Argentina VII Congreso de Matemática Aplicada, Computacional e Industrial Rio Cuarto Argentina Universidad Nacional de Rio Cuarto. Facultad de Ciencias Exactas, Físico-Química y Naturales Asociación Argentina de Matemática Aplicada, Computacional e Industrial |
description |
Brain-computer interfaces (BCIs) provide a non-muscular channel to control external devices using only brain activity. Motor Imagery BCI (MI-BCI) systems are based on decoding the imagination of certain movements. Although the Common Spatial Patterns (CSP) algorithm, as well as its regularized versions, can be successfully applied for MIdetection, it has some limitations in adapting to data changes. In this context, Riemannian geometry seems to be a promising approach to construct a simple, robust and parameter-free decoding model. In this work we implement and evaluate an MI decoding algorithm based on Riemannian Geometry. In particular, the Riemannian distance and its mean are used for constructing a "minimum distance to mean" (MDM) classifier. MDM is compared with the traditional CSP method, showing very similar classification results in both cross-validation and online simulation scenarios. These results indicate that Riemannian framework seems to be a very promising tool for robust MI detection. |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/conferenceObject Congreso Journal http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
status_str |
publishedVersion |
format |
conferenceObject |
dc.identifier.none.fl_str_mv |
http://hdl.handle.net/11336/174521 A parameter free model for motor imagery detection based on Riemannian geometry: preliminary results; VII Congreso de Matemática Aplicada, Computacional e Industrial; Rio Cuarto; Argentina; 2019; 65-68 2314-3282 CONICET Digital CONICET |
url |
http://hdl.handle.net/11336/174521 |
identifier_str_mv |
A parameter free model for motor imagery detection based on Riemannian geometry: preliminary results; VII Congreso de Matemática Aplicada, Computacional e Industrial; Rio Cuarto; Argentina; 2019; 65-68 2314-3282 CONICET Digital CONICET |
dc.language.none.fl_str_mv |
eng |
language |
eng |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/https://asamaci.org.ar/wp-content/uploads/2021/06/MACI-Vol-7-2019.pdf |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
dc.format.none.fl_str_mv |
application/pdf application/pdf application/pdf application/pdf |
dc.coverage.none.fl_str_mv |
Nacional |
dc.publisher.none.fl_str_mv |
Asociación Argentina de Matemática Aplicada, Computacional e Industrial |
publisher.none.fl_str_mv |
Asociación Argentina de Matemática Aplicada, Computacional e Industrial |
dc.source.none.fl_str_mv |
reponame:CONICET Digital (CONICET) instname:Consejo Nacional de Investigaciones Científicas y Técnicas |
reponame_str |
CONICET Digital (CONICET) |
collection |
CONICET Digital (CONICET) |
instname_str |
Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.name.fl_str_mv |
CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.mail.fl_str_mv |
dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar |
_version_ |
1844613911358210048 |
score |
13.070432 |