Publication:

Toward robustness and performance prediction in Brain-Computer Interfacing

Las interfaces cerebro-computadora (BCIs, por sus siglas en inglés) leen y decodifican la actividad cerebral. Entre sus muchas aplicaciones, se pueden emplear como una nueva herramienta de comunicación, para controlar un dispositivo externo, asistir a pacientes durante neurorrehabilitación, o incluso en neuromarketing. Las BCIs normalmente se prueban bajo condiciones controladas. Sin embargo, su correcta operación en condiciones de fuera del laboratorio es crucial, especialmente cuando los investigadores tienen en mente su uso en aplicaciones clínicas. Por tanto, es vital que las BCIs sean robustas a perturbaciones externas. Por otro lado, se ha demostrado que un gran porcentaje de usuarios no puede operar correctamente las BCIs actuales. Este fenómeno, conocido como ineficiencia de las BCIs, señala la necesidad de que los investigadores estimen de antemano qué rendimiento tendrá un nuevo participante. Predecir el desempeño de un participante podría ahorrar recursos de investigación, que siempre son escasos, y ayudar en el diseño de algoritmos para aumentar la fiabilidad operativa de las BCIs. En esta Tesis, se han abordado los puntos anteriores, dando como resultado la propuesta de nuevas herramientas para el procesamiento de señales BCI. En particular, se han propuesto dos métodos de procesamiento (pipelines) para BCIs basadas en señales steady-state visual evoked potential (SSVEP), que funcionan bien con señales de sólo un segundo de duración. Uno de ellos, denominado corrLDA, supera al pipeline del estado del arte basado en el an´alisis de la correlación canónica (CCA). Su aspecto clave es que, aplicando el análisis discriminante lineal regularizado (sLDA), emplea información de clase para encontrar el subespacio de extracción de características, al contrario que CCA. El siguiente pipeline, llamado oscillatory source tensor discriminant analysis (OSTDA), es una extensión de corrLDA con dos características principales: primero, sLDA se reemplaza por su método análogo para datos tensoriales, denominado análisis discriminante de orden superior regularizado (sHODA), desarrollado durante esta Tesis. Este método de extracción de características basado en tensores convierte a OSTDA en un pipeline robusto en condiciones de tamaños muestrales pequeños. Además, OSTDA también incluye un método llamado descomposición espacio-espectral (SSD). Se aplica como un primer paso en el procesado de las señales SSVEP. SSD extrae fuentes oscilatorias con relación señal-ruido mejorada. De este modo, SSD convierte a OSTDA en un pipeline más robusto contra perturbaciones cognitivas puesto que, a diferencia de las señales SSVEP, las perturbaciones no son de naturaleza oscilatoria y por tanto pueden eliminarse al proyectar los datos al subespacio generado por el SSD. Al comparar OSTDA contra tres métodos del estado del arte, demostró tener un desempeño similar o mejor que ellos en todas las configuraciones estudiadas.

Brain-computer interfaces (BCIs) read and decode brain activity. Among their many applications, they can be used as a new communication tool, to control an external device, to assist patients during neurorehabilitation or even in neuromarketing. BCIs are usually tested under controlled conditions. Nevertheless, their accurate operation in out-of-the-lab conditions is crucial, specially when researchers have in mind their use in clinical applications. Therefore, it is vital that BCIs be robust to external disturbances. On the other hand, it has been shown that a large percentage of users cannot properly operate current BCIs. This phenomenon, known as BCI inefficiency, points out the need of researchers to estimate in advance the performance that a new participant will have. Predicting the performance of a participant might save research resources, which are always scarce, and help in the design of algorithms to increase BCI operational reliability. In this Thesis, the previous points have been addressed, which has resulted in the proposal of new tools for BCI signal processing. In particular, two pipelines have been proposed for steady-state visual evoked potential (SSVEP) -based BCIs that perform well with trials as short as one second. One of them, named corrLDA, outperforms the state-of-the-art pipeline based on canonical correlation analysis (CCA). Its key point is that, by applying linear discriminant analysis with shrinkage (sLDA), it uses between-class information to find the subspace where features are extracted, contrary to CCA. The next pipeline, named oscillatory source tensor discriminant analysis (OSTDA), is an extension of corrLDA with two main features: first, sLDA is replaced by its analogue method for tensor data called higher order discriminant analysis with shrinkage (sHODA), developed during this Thesis. This tensor-based feature extraction method turns OSTDA into a robust pipeline in small sample size settings. Besides, OSTDA also includes a method named spatio-spectral decomposition (SSD). It is applied as a first step during SSVEP signal processing. SSD extracts oscillatory sources with enhanced signal-to-noise ratio. Thus, SSD converts OSTDA in a more robust pipeline against cognitive perturbations than other state-of-the-art approaches, since unlike SSVEP signals, disturbances are not of oscillatory nature and can therefore be eliminated by projecting data to the SSD subspace. OSTDA was compared to three state-of-the-art methods, and it showed to perform similarly well or better than them in all evaluated settings.