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
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/174521

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