Brain-computer Interfaces (BCI) have been receiving much attention for its distinctive nature of utilizing signals from the brain for communication and control. This paper introduces a new attempt to process brain EEG signals for BCI by proposing a supervised hierarchical Bayesian model that jointly models the latent brain states and class labels of EEG. We assume a generative process of EEG and describe how the proposed method can model latent brain states and infer class labels given EEG; our method infers probability distribution over latent brain states of input EEG. We present evaluation of the proposed method by applying multi-class motor imagery classification tasks to the model. The results indicate that our approach yield competitive classification accuracy rate while simultaneously modeling underling brain states and conducting classification tasks. Discussion over the feasibility of our model as a mean for BCI is extensively addressed in the context. We believe that our method presents a potential in helping people with little or no voluntary muscular control by providing them with an effective BCI to communicate and control electrical devices.
뇌-기계 인터페이스는 뇌파를 이용한 커뮤니케이션과 제어라는 특성 때문에 많은 주목을 받아 왔다. 이 연구는 계층적 베이지안 모델링 기법을 이용하여 뇌파로부터 잠재적인 뇌의 상태들과 그에 해당하는 클래스 라벨들을 추론하는 뇌-기계 인터페이스 방법론을 제안하고 있다. 우리는 generative process의 가정을 통해 뇌파가 주어졌을 때 우리의 모델이 어떻게 잠재적인 뇌의 상태들과 클래스 라벨들을 추론 하는지 설명 한다. 제안된 방법론에 multi-class motor imagery 뇌파 데이터를 적용 해 봄으로서 성능을 평가 하였고 실험 결과는 우리의 방법론이 잠재적인 뇌의 상태들의 모델링과 classification 작업을 동시에 수행 하는 것에 더하여 기존의 뇌-기계 인터페이스를 위한 classification 방법론들과 경쟁력 있는 classification 정확성을 보임을 확인 하였다.
