Abstract Brain-computer interface (BCI) offers the possibility to mitigate disability arising from paralysis by using neural signals to control external devices. The capability of the BCI system to control the devices is essentially determined by decoding strategy for motor execution (ME) and kinesthetic motor imageries (KMIs) from neural signals. Previous studies have utilized various linear feature selection strategies to improve the decoding accuracy of KMIs. However, using a nonlinear feature selection strategy has not been examined fully yet. Here, we aim to propose a computationally efficient nonlinear feature selection strategy that improves decoding accuracy significantly. This aim is achieved by identifying common or specific features between ME and KMI that lead to the higher efficient accuracy using nonlinear dynamical measures of the electrocorticography (ECoG). The ECoG data across ME and KMI were collected from 9 patients and the approximate entropy and correlation dimension of the ECoG were computed in both states. The decoding accuracies of a combination of common or specific features were then compared using support vector machines (SVM). In this study, we demonstrate a highly efficient strategy for BCI using nonlinear dynamics of the cerebral and subcortical brains by providing better decoding accuracy or sufficient accuracy with less computation.The results of the current study are potentially helpful for real-time control for external devices using ECoG in paralyzed patients with high accuracy. Keywords: brain-computer interface, electrocorticography (ECoG), machine learning, decoding, motor execution (ME), kinesthetic motor imageries (KMIs)
초 록뇌컴퓨터 인터페이스(BCI)는 신경 신호를 사용해 외부 기계장치를 제어함으로써 마비 혹은 장애로 인해 겪는 어려움을완화할 가능성을 제공해 줄 수 있다. 외부장치를 제어하는 뇌컴퓨터 인터페이스 시스템의 기능과 성능은 신경 신호에서운동 실행(ME) 및 운동감각 운동 상상(KMI)에 대한 전략을 디코딩하여 기본적으로 결정된다. 이전 연구에서는 KMI의디코딩 정확도를 향상시키기 위해 다양한 '선형 피처 선택' 전략을 활용했다. 그러나 비선형 형상 선택 전략은 연구되지않았다. 본 연구에서는 디코딩 정확도를 크게 향상시키기 위해 효율적인 '비선형 피처 선택' 전략을 제안하고 그 가능성을 다양하게 분석하는 것을 연구 목표로 했다. 이 목적을 수행하기 위해 심부 뇌파(ECoG)의 비선형 동적 특성을 분석해보다 정확도로 이어지는 ME와 KMI 사이의 공통 또는 특정 특징을 나누어 분석했다. ME와 KMI에 걸친 ECoG 데이터는9명의 환자로부터 수집되었고, 두 상태 모두에서 ECoG의 근사 엔트로피와 상관 차원을 계산했다. 그런 다음, 머신러닝기법 중 하나인 서포트 벡터 머신(SVM)을 사용해 공통 또는 특정 기능의 조합의 디코딩 정확도를 비교했다. 그 결과, 더나은 디코딩 정확도 또는 더 적은 계산으로 충분한 정확도를 제공하여 뇌 및 피질하 비선형 동역학을 사용하여 BCI에 대해 매우 높은 정확도를 보여준다는 것을 결과로 얻었다. 본 연구결과는 환자의 ECoG를 사용해 외부 장치의 실시간 제어에 잠재적으로 도움이 된다는 것을 강력하게 제안한다. 키워드: 뇌컴퓨터 인터페이스, 심부 뇌파 (ECoG), 기계 학습, 디코딩, 운동 실행(ME), 운동감각 운동 상상(KMI)
