Systems Design for EEG Signal Classification of Sensorimotor Activity Using Machine Learning
Notice bibliographique
Résumé
This paper proposes a systems design for classifying EEG motor movement signals using AI that achieves a high degree of accuracy. EEG motor movement signals are generated by the brain when the subject consciously attempts to move their body. These signals are reflective of the kind of movement they are attempting to achieve, and improving the classification would allow for better assislive devices for the physically disabled. Al classification requires features to be extracted from the raw data. Features can be extracted using different algorithms. The systems design allows the selection of different features. The features used arc calculated from the dalapuints corresponding to 1 second windows and transformed into the sigma (Σ), phi (Φ), and omega (Ω) features. To our knowledge, this is the first time that these features have been used with machine learning techniques. The approach allows the use of different classification models. We test the system with a Support Vector Machine (SVM) and an Artificial Neural Network (ANN), which were both trained on these features, and each window classified independently according to the model. The SVM had an average accuracy of 88%, while the neural network had a higher accuracy of 94%. There was a relatively large amount of variance in the accuracy for different subjects, ranging from 45.9% to 99.6% for the SVM and 243% to 99.7% for the ANN. The proof of concept demonstrates that different machine learning algorithms can be used for classification if a pipeline architecture is used.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».