Riassunto descrittivo dei metodi implementat

In tabella 4.1 riportiamo un riassunto schematico dei metodi implementati in questo lavoro di tesi.

ACRONIMO DESCRIZIONE

CSP si riferisce alla classica versione dei Common Spatial Pattern.

classico problema CSP come un problema di ricerca dell’ottimo e aggiungendo nell’equazione un elemento dato dal rapporto della norma pesato con uno con la norma due di ogni singolo filtro con un parametro r di 0.02.

FWM si implementa il metodo basato nel formulare un vettore di pesi frequenziali per ogni canale ottenuti mediante analisi di Fisher delle singole epoche nel dominio della frequqnza. I dati così pesati vengono processati con l’algoritmo CSP.

FWMv2 indichiamo l’algoritmo utilizza gli stessi pesi frequenziali dell metodo FWM e

successivamente calcola i CSP sparsificati.

SBCSPv1 i dati sono filtrati in 23 sottobande comprese tra i 7Hz e i 30Hz di larghezza ±1.5Hz mediante un banco di filtri di Gabor e per ogni sottobanda è calcolato un punteggio attraverso l’analisi del discriminante lineare (Fisher LDA). Con il metodo SVM-RFE (Support Vector Machine – Recursive Features Elimination) sono successivamente selezionate le quattro (valore dipendente dall’ordine del SBCSP) sottobande più discriminative. Il dataset, filtrato nelle quattro sottobande così scelte, è processato con il classico algotimo CSP.

SBCSPv2 si effettua la stessa selezione delle bande del metodo sopra con la differenza che alla fine non vengono calcolati i CSP ma gli SparseCSP.

SBCSPv3 i dati vengono sono filtrati in 23 sottobande e di ogni sottobanda e calcolate le features con il metodo CSP. Per ogni singola sottobanda estraiamo un

punteggio calcolato come il rapporto tra la matrice di scatter between-class e la matrice di scatter within-class delle features. Il valore di tale punteggio per ciascuna sottobanda è utilizzato come peso discreto nel dominio della fequenza di un filtro IIR di ordine 8 utilizzando il metodo di fitting ai minimi quadrati. Il dataset processato con tale filtro viene dato in pasto al classico algoritmo CSP.

SBCSPv4 il dataset è processato con un filtro calcolato come nella precedente versione e sono successivamente calcolati gli Sparse-CSP.

7DEHOOD²5LDVVXQWRGHVFULWWLYRGHJOLDOJRULWPLLPSOHPHQWDWL/HYDULDQWL):0Y 6%&63Y6%&63Y6%&63YQRQVRQRSUHVHQWLLQOHWWHUDWXUD

5. RISULTATI

Il questo capitolo si illustreranno e discuteranno i risultati di classificazione dell’attività cerebrale ottenuti mediante l’implementazione delle varianti dell’algoritmo Common Spatial Patterns presenti in letteratura e delle varianti implementate durante questo lavoro.

In appendice A.2 si riporta inoltre la base teorica delle tecniche di classificazione e validazione utilizzate.

5.1 Risultati

I dataset esaminati sono stati ottenuti dalle acquisizioni effettuate su quattro soggetti (tre di sesso femminile e uno di sesso maschile in un’età compresa tra i venti e i trenta anni) i quali hanno svolto ognuno quattro sessioni di 40 trial ciascuna.

Di ogni sessione per ognuno degli 8 algoritmi implementati (descritti nel capitolo 4 di questa tesi) sono stati collezionati 100 valori di correct rate seguendo un metodo surrogato alla k-fold- cross-validation (per ulteriori dettagli si veda l’appendice A.2),.

I valori medi di correct rate medi di classificazione ottenuti per ognuna delle quattro sessioni effettuate da ciascun soggetto sono riportati in appendice A.1.

Per una breve descrizione di ciascuno di questi algoritmi si rimanda alla tabella 4.1.

Ognuno di questi algoritmi prende in ingresso i dati di ogni epoca nell’intervallo temporale di 1 secondo che inizia un secondo dopo l’evento, campionati a 256Hz e filtrati in una banda compresa tra i 7Hz ai 30Hz e restituisce due features per trial calcolate come il logaritmo della varianza dei due canali proiettati.

Le sessioni acquisite si differenziano per il tipo di feedback fornito e sono state proposte ai soggetti sempre con lo stesso ordine: la prima con feedback precalcolato propriocettivo e visivo (all’utente veniva mostrato il feedback corretto indipendentemente dalla sua attività motoria), la

seconda con feedback di tipo propriocettivo e visivo, la terza con il solo feedback visivo e l’ultima con entrambi i feedback.

L’analisi statistica è stata condotta sui valori di correct rate ottenuti per ogni sessione utilizzando il metodo ANOVA multifattoriale usando come fattori il tipo di algoritmo utilizzato, la sessione di acquisizione ed il soggetto.

Dalle analisi effettuate non abbiamo riscontrato interazioni significative tra i fattori analizzati. I grafici dei singoli confronti effettuati per ogni soggetto e per ogni sessione si riportano in appendice A.1.

In figura 5.1 si riporta un grafico a barre dove per ogni algoritmo viene indicato il numero di volte in cui ha ottenuto le migliori performance all’interno di un singolo confronto.

 )LJXUD²1XPHURGLYROWHVXOOHFRPSDUD]LRQLHIIHWWXDWHFKHXQDOJRULWPRqULVXOWDWRWUDL

PLJOLRULLQWHUPLQLGLSHUIRUPDQFH 



In figura 5.2 si riporta l’effetto che della sparsificazione dei filtri sugli algoritmi CSP, FWM e SB-CSP. Per l’algoritmo SB-CSP l’introduzione della sparsificazione dei filtri porta a risultati peggiori in termini di classificazione in modo significativo. Per gli altri algoritmi non riscontriamo variazioni significative.

)LJXUD²(IIHWWRGHOO·LQWRURGX]LRQHGHOODVSDUVLWjQHJOLDOJRULWPL&63):0H6%&63

Dalle analisi effettuate è risultato significativo il confronto effettuato con i feedback diversi. Quello che abbiamo notato è che, mentre per il feedback visivo gli algoritmi presentano

CSP Sparse-CSP CSP FWM SB-CSP SB-CSP FWM CSP Sparse-CSP CSP

performance differenti, per il feedback prorpriocettivo le performance degli algoritmi sono simili e non statisticamente differenti. Questo si può vedere in figura 5.3 dove si riportano i valori di correct rate medi ottenuti dalle classificazioni delle tre sessioni con feedback precalcolato, propriocettivo e visivo con gli algoritmi CSP, FWMv1 e SBCSPv1.

)LJXUD²3HUIRUPDQFHGHJOLDOJRULWPL&63):06%&63QHOOHVHVVLRQLFRQIHHGEDFN SURSULRFHWWLYRSUHFDOFDWRYLVLYRHSURSULRFHWWLYR



Figura 5.4 – Performance degli algoritmi CSP, FWM, SBCSP nelle sessioni con feedback propriocettivo e feedback visivo. A destra abbiamo sulle ascisse gli algoritmi nell’ordine

sopracitatto e sulle ascisse le performance ottenute nel caso di feedback visivo in blu e propriocettivo in verde. A sinistra sulle ascisse abbiamo feedback visivo (1) e feedback

propriocettivo (2), nel grafico abbiamo gli algoritmi nell’ordine CSP, FWM SBCSP. CSP

Nelle figure che seguono si riporta un confronto tra la distribuzione dei filtri spaziali ottenuti con algoritmi diversi.

)LJXUD²&RQIURQWRWUDLILOWULVSD]LDOLRWWHQXWLFRQTXDWWURDOJRULWPLGLIIHUHQWL

In figura 5.8 vediamo un esempio di filtri spaziali calcolati con quattro diversi algoritmi: CSP, FWM, SB-v1, Sb-v2. Tra questi algoritmi cambia il contenuto frequenziale del segnale su cui calcolare i filtri spaziali. Notiamo che per il primo filtro, relativo alla condizione di movimento immaginato del braccio destro, la distribuzione spaziale rimane pressoché invariata nei quattro casi mentre cambia in modo più evidentemente per il secondo filtro relativo alla classe di riposo. Per i CSP (in alto a destra nella figura) i filtri sono calcolati nell’intervallo frequenziale da 7Hz a 30Hz. Per l’algoritmo FWM ogni canale ha un peso frequenziale ottimo nello stesso intervallo. Per SB-v1 il segnale è filtrato in quattro sottobande di ampiezza di 1.5Hz con centri banda in 10 11 12 e 24 Hz. Per SB-v2 il segnale è filtrato nelle stesse sottobande ma i filtri spaziali sono calcolati con il metodo di sparsificazione.

CSP FWM

Quello che si nota da tali confronti è che il contenuto frequenziale ottimo cambia la disposizione del filtro per la classe di riposo. Il problema principale è che non abbiamo informazioni a priori sul tipo di attività a riposo e questo rende difficile l’interpretazione di tali filtri.

6. CONCLUSIONI

L’obiettivo di questo studio è stato quello di implementare e valutare all’interno di un sistema di BCI (Brain Computer Interface) basato sul motor imagery le caratteristiche di alcuni algoritmi innovativi di ottimizzazione delle caratteristiche del segnale utilizzate per l’identificazione dell’attività cerebrale.

L’intenzione di movimento come segnale di controllo permette di avere sistemi BCI che non necessitano di stimoli esterni e che siano utilizzabili i modo intuitivo e confortevole anche da soggetti privi di abilità motorie per il controllo di dispositivi di assistenza robotica, protesi e altre di forme più generali di comunicazione e riabilitazione.

L’immaginazione del movimento di una parte del corpo influenza il tracciato elettroencefalografico con variazioni di potenza in alcune bande frequenziali localizzate in determinate zone dello scalpo. La localizzazione sia spaziale che frequenziale cambia da un individuo all’altro e anche all’interno di uno stesso individuo nell’arco del tempo. Inoltre tale variabilità è accentuata in soggetti che soffrono di malattie neurodegenerative o ictus i quali sono i principali destinatari dei sistemi BCI. Per ovviare alla variabilità di questo segnale di controllo negli ultimi dieci anni sono stati sviluppati numerosi algoritmi che identifichino in modo automatico ed ottimizzato tali fenomeni. Il primo algoritmo utilizzato a questo scopo è denominato Common Spatial Patterns (CSP) filtra spazialmente il segnale in modo da massimizzare la differenza di potenza spettrale tra le due diverse classi da discriminare. Offre il vantaggio di sfruttare le potenzialità derivanti da un numero elevato di elettrodi (come la localizzazione e la robustezza a disturbi esterni) riducendone la complessità computazionale a due soli canali discriminativi. La letteratura e le prove sperimentali dimostrano che con tale algoritmo si raggiunge un’accuratezza di classificazione attorno al 90%.

Dal momento che i CSP localizzano automaticamente l’attività significativa nello spazio ma non in frequenza, gli algoritmi che tentano di migliorare tali performance sono quasi tutti incentrati nella ricerca di un metodo automatico che trovi la banda frequenziale ottima sulla quale applicare i CSP.

In questo lavoro di tesi sono stati implementati alcuni di questi algoritmi e ne sono state valutate le performance.

Per l’acquisizione dei dati sono stati utilizzati gli strumenti della “Guger Technologies®” per la parte hardware e il tool simulink della MathWorks® per la parte software. Per l’analisi dei segnali e l’implementazione degli algoritmi abbiamo utilizzato il software Matlab con i tools open source EEGlab e BCIlab della SCCN (Swartz Center for Computational Neuroscience).

I dati utilizzati per confrontare le prestazioni degli algoritmi implementati provengono da acquisizioni effettuate durante il lavoro di tesi su quattro soggetti sani e consistono di circa 160 epoche per ognuno, nelle quali era richiesto di immaginare il movimento del braccio destro o di rimanere a riposo con l’obiettivo di controllare una protesi robotica in compiti di raggiungimento lungo traiettorie predefinite. Per ogni soggetto sono state acquisite quattro sessioni. Le sessioni si differenziavano tra loro dal tipo di feedback fornito. In tutte e quattro le sessioni veniva fornito un feedback di tipo visivo consistente nel vedere un braccio virtuale che si muoveva in relazione al tipo di task. In tre delle quattro sessioni, oltre al feedback visivo, veniva fornito anche un feedback di tipo propriocettivo, con un apparecchio costruito appositamente in laboratorio, consistente nella stimolazione vibrotattile del tendine dell’avambraccio.

Gli algoritmi denominati FWM e SB-CSP cercano automaticamente di ottimizzare la banda frequenziale, il primo pesando ogni canale direttamente nello spazio di Fourier mentre l’algoritmo SB-CSP valutando in predefinite sottobande le uscite dei CSP e le relative features. L’algoritmo Sparse-CSP, che “sparsifica” i filtri spaziali, cerca invece un’ulteriore ottimizzazione spaziale eliminando le componenti meno rilevanti dai filtri.

Abbiamo riscontrato che le performance degli algoritmi sperimentati variano sia tra i soggetti che tra le sessioni ma mediamente non abbiamo notato evidenti miglioramenti rispetto all’accuratezza del 90% conseguita con l’algoritmo CSP.

Tali varianti hanno dimostrato performance migliori della classica versione dei CSP solo nelle sessioni in cui il soggetto riceveva un feedback di tipo visivo. Potrebbe essere di aiuto nel caso di acquisizioni con un grande numero di elettrodi e per acquisizioni effettuate su soggetti patologici. Le varianti SB-v3 e SB-v4, che implementano una maschera in frequenza di un filtro basandosi sul rapporto tra le matrici di scatter between class e within class delle features, anch’esse peggiorano le performance dei normali CSP. Un possibile miglioramento di queste varianti potrebbe essere quello di scegliere tale maschera analizzando statisticamente le distribuzioni bidimensionali delle features per le due classi.

Sviluppi futuri del presente lavoro di tesi comprendono di standardizzare l’estensione dell’algoritmo CSP a più di due classi per incrementare le potenzialità del sistema BCI. Altri sviluppi comprendono l’integrarsi del riconoscimento delle variazioni in potenza del segnale elettroencefalografici legate all’immaginazione di movimento con il riconoscimento altri tipi di variazioni del segnale elettroencefalografici legate allo stesso compito (i.e. Bereitshaftspotential)

BIBLIOGRAFIA

[1] . Autori vari, “Anatomia dell’Uomo”, 2001, Edi.Ermes s.r.l., Milano [2] . D. De Rossi , “Dispense Fenomeni Bioelettrici”

[3] . Coyle, Ward, Markham, McDarby, “On the suitability of near-infrared (NIR) systems for next- generation brain–computer interfaces”, Physiological measurement, 25, 815-822, 2004

[4] . R. Sitarama, H. Zhanga, C. Guana, M. Thulasidasa, Y. Hoshic, A. Ishikawae, K. Shimizue, N. Birbaumer, “Temporal classification of multichannel near-infrared spectroscopy signals of motor imagery for developing a brain–computer interface”, NeuroImage, Volume 34, Issue 4, Pages 1416- 1427, 15 February 2007.

[5] . N. Weiskopf, K. Mathiak, S. W. Bock, F. Scharnowski, R. Veit, W. Grodd, R. Goebel, N. Birbaumer, “Principles of a Brain-Computer Interface (BCI) Based on Real-Time Functional Magnetic Resonance Imaging (fMRI)”, IEEE transactions on biomedical engineering, vol. 51, no. 6, pages 966, june 2004.

[6] . “Selecting features for BCI control based on a covert spatial attention paradigm”, M. van Gervena, A. Bahramisharif, T. Heskes, O. Jensen, Neural Networks 22 (2009), Pages 1271_1277, 2009

[7] . N. Birbaumer and L. G. Cohen, “Brain–computer interfaces: communication and restoration of movement in paralysis”, J. Physiol. 2007;579;621-636; Jan 18, 2007;

[8] . Gerwin Schalk, “Can Electrocorticography (ECoG) Support Robust and Powerful Brain– Computer Interfaces?” ,Front Neuroengineering. 2010; 3: 9. Published online 2010 June 24

[9] . E.A. Felton, J. A. Wilson, J. C. Williams, P. C. Garell, “Electrocorticographically controlled brain–computer interfaces using motor and sensory imagery in patients with temporary subdural electrode implants: Report of four cases”, J Neurosurg 106:495–500, 2007

[10] . D. J. Krusienski, J. J. Shih, “Control of a Visual Keyboard Using an Electrocorticographic Brain–Computer Interface”, Neurorehabilitation and Neural Repair 25(4) 323 –331, 2011

[11] . Y. Liu, M. Sharma, C. M. Gaona, J. D. Breshears, J. Roland , Z. V. Freudenburg1, K. Q. Weinberger, E. C. Leuthardt, “Decoding Ipsilateral Finger Movements from EcoG Signals in Humans”, 2011

[12] . Farwell LA, Donchin E. “Talking off the top of your head: toward a mental prothesis utilizing event-related brain potentials.” Electroenceph clin Neurophysiol 1988;70:510–523.

[13] . Wolpaw JR, Birbaumer N, McFarland DJ, Pfurtscheller G, Vaughan TM, “ Brain-computer interfaces for communication and control”. Clin Neurophysiol. 2002 Jun;113(6):767-91.

[14] . J N Mak, Y Arbel, J W Minett, L M McCanel, B Yuksel, D Ryan, D Thompson, L Bianchi, D Erdogmus, “Optimizing the P300-based brain–computer interface: current status, limitations and future directions”, Journal of Neural Engineering Volume 8 , 2011.

[15] . G. Pfurtscheller, T. Solis-Escalante, R. Ortner, P. Linortner, G. R. Müller-Putz, “Self-Paced Operation of an SSVEP-Based Orthosis With and Without an Imagery-Based ‘Brain Switch’: A Feasibility Study Towards a Hybrid BCI”, IEEE Transactions On Neural Systems And Rehabilitation Engineering, Vol. 18, No. 4, August 2010 409

[16] . Birbaumer, Elbert, Canavan, Rockstroh, “ Slow potentials of the cerebral cortex and behavior”, Physiol. Rev., 70, 1-41, 1990

[17] . Birbaumer, “Slow cortical potentials: their origin, meaning, and clinical use”. In G. J. M. van Boxtel & K. B. E Böcker, (Eds.), Brain and behavior past, present, and future (pp. 25-39). Tilburg: Tilburg University Press, 1997

[18] . Kozelka, J. W., & Pedley, “Beta and mu rhythms.”, J Clin Neurophysiol, 7, 191-207, 1990. [19] . Vidal JJ, “Toward direct brain-computer communication.”, Annu Rev Biophys Bioeng. 1973;2:157-80, 1973

[20] . W. Peneld and H. Jasper. “Epilepsy and the Functional Anatomy of the Human Brain.” Little, Brown, 1954.

[21] . F.H. Lopes da Silva, A. Hoeks, A. Smits, and L.H. Zetterberg. “Model of brain rhythmic activity: The alpha-rhythm of the thalamus.” Kybernetik, 15:23 37, 1974.

[22] . G. Pfurtscheller and A. Aranibar, “Evaluation of event-related desynchronization (ERD) preceding and following voluntary selfpaced movements.”, Electroenceph. clin. Neurophysiol., 46:138 146, 1979.

[23] . G. Pfurtscheller and F.H. Lopes da Silva, “Event related EEG/MEG synchronization and desynchronization: basic prnciples”, Clinical Neurophysiology 110, 1842-1857, 1999

[24] . Gert Pfurtscheller and Fernando H. Lopes da Silva, “ Event-related desynchronization. Handbook of Electroencephalography and Clinical Neurophysiology” Revised Series, volume 6. Elsevier Science B.V., 1999.

[25] . C.S. Nam, T. Jeon, Y.J. Kim, I. Lee, K. Park, “Movement imagery-related lateralization of event-related (de)synchronization (ERD/ERS): Motor-imagery duration effects”, Clinical Neurophysiology 122, 567-577, 2011

[26] . C. Neuper, M.Wortz, G.Pfurtscheller, “ERD/ERS pattern reflecting sensorimotor activation and deactivation”, Neuper & Klimesh (Eds.), Progress in Brain Reserch, Vol.159, Chapter 14, 2006 [27] . F. C. Hummel, C. Gerloff, “Interregional long-range and short-range synchrony: a basis for complex sensorimotor processing”, Neuper & Klimesh (Eds.), Progress in Brain Reserch, Vol.159, Chapter 15, 2006

[28] . G.Pfurtscheller , C. Brunner, A. Schlogl, F.H. Lopes da Silva, “Mu rhytm (de)synchronization and EEG single-trial classification of different motor imagery tasks”, NeuroImage 31, 153-159, 2006

[29] . L Leocania, C. Toroa, P. Zhuanga, C. Gerloffa, M. Hallet, “Event-related desynchronization in reaction time paradigms: a comparison with event-related potentials and corticospinal

excitability”, Clinical Neurophysiology Volume 112, Issue 5, Pages 923-930, May 2001

[30] . G. Pfurtscheller, W. Sager, W. Wege, “Correlations between CT scan and sensorimotor EEG rhytms in patients with cerebrovascular disorders.” Electroencephalogr Clin Beurophysiol, 90, 456- 60, 1994

[31] . G. Pfurtscheller, Ch. Neuper, D. Flotzinger, M. Pregenzer, “EEG-based discrimination between imagination of right and left hand movement”, Electroencephalography and Clinical Neurophysiology

Volume 103, Issue 6, Pages 642-651, December 1997

[32] . Kalcher J, Flotzinger D, Neuper C, Gölly S, Pfurtscheller G, “Graz brain-computer interface II: towards communication between humans and computers based on online classification of three different EEG patterns.”, Department of Medical Informatics, Graz University of Technology, Austria. Med Biol Eng Comput. 1996

[33] . P. Suffczynski, J.P. Pjin, G. Pfurtscheller, F.H. Lopes da Silva, "Event-related dynamics of apha band rhythms: a neuronal network model of docal ERD/surround ERS", Handbook of elecroncephalography and Clinical neurophysiology, Vol 6 Elseiver Amsterdam,pp 67-85,1999 [34] . G. Pfurtscheller , T. Solis-Escalante, “Could the beta rebound in the EEG be suitable to realize a ‘brain switch’?”, Clinical Neurophysiology 120, 24–29, 2009

[35] . Zoltan J. Koles, Michael S. Lazar, and Steven Z. Zhou. “Spatial Patterns underlying Population Differences in the Background EEG”. Brain Topography, Volume 2, Number 4, 1990 [36] . Z. J. Koles. “The quantitative extraction and topographic mapping of the abnormal components in the clinical EEG.” Electroencephalogr. Clin. Neurophysiol., 79(6):440–447, 1991. [37] . B. Blankertz, R. Tomioka. S. Lemm, M. Kawanabc, K.R. Muller, “Optimizing spatial filters for robust EEG single-trial analysis”, IEEE signal processing magazine, vol XX, 2008

[38] . S. Lemm, B. Blankertz, G. Curio, Klaus-Robert Müller. “Spatio-Spectral Filters for Improving the Classification of Single Trial EEG.” IEEE Transactions on Biomedical” Engineering, Vol. 52, No. 9, September 2005

[39] . G. Dornhege, B. Blankertz, M. Krauledat, F. Losch, G. Curio, Klaus-Robert Müller. “Combined optimization of spatial and temporal filters for improving Brain-Computer Interfacing.” IEEE Transactions on Biomedical Engineering, Vol. 53, No. 11, Novembre 2006

[40] . R. Tomioka, G. Dornhege, K. Aihara, and K.-R. Müller, “An iterative algorithm for spatio- temporal filter optimization,” in Proc. 3rd Int. Brain-Computer Interface Workshop Training Course 2006, Verlag der Technischen Universität Graz, Graz, Austria, pp. 22–23., 2006

[41] . Mahnaz Arvaneh, Cuntai Guan, Kai Keng Ang, Hiok Chai Quek, “Spatially Sparsed Common Spatial Pattern To Improve Bci Performance”, 2011

[42] . G. Liu, G. Huang, J. Meng, X. Zhu, “A frequency-weighted method combined with Common Spatial Patterns for electroencephalogram classification in brain-computer interface”, Biomedical Signal Processing and Control, 174180, 2010

[43] . Haixian Wang , “Optimizing spatial filters for single-trial EEG classification via a discriminant extension to CSP: the Fisher criterion”, International Federation for Medical and Biological Engineering 2011

[44] . B. Blankertz, M. Kawanabe, R. Tomioka, F. Hohlefeld, V. Nikulin, and K.-R. Muller, “Invariant common spatial patterns: Alleviating nonstationarities in brain-computer interfacing” ,NIPS 20, 2008.

[45] . S. Mika, G. Rätsch, J. Weston, B. Schölkopf, A. Smola, and K.-R. Müller, “Invariant Feature Extraction and Classification in Kernel Spaces”, in: S. Solla, T. Leen, and K.-R.Müller, eds., Advances in Neural Information Processing Systems, vol. 12, 526–532, MIT Press, 2000.

[46] . G. Dornhege, B. Blankertz, G. Curio, Klaus-Robert Müller. “Boosting Bit Rates in Noninvasive EEG Single-Trial Classifications by Feature Combination and Multiclass Paradigms.” IEEE Trans. Biomed. Eng., vol. 51, p. 993-1002, 2004.

[47] . Q. Novi, C. Guan, T. Huy Dat, P. Xue, “Sub-Band Common Spatial Pattern (SBCSP) for Brain-Computer Interface”, Proceeding of the 3rd International IEEE EMBS Conference on Neural Engineering, 2007

[48] . Johannes Muller-Gerkinga, Gert Pfurtscheller, Henrik Flyvbjergc, “Designing optimal spatial filters for single-trial EEG classification in a movement task”, Clinical Neurophysiology 110, pages 787-798, 1999

[49] . G. Pfurtscheller, C. Neuper, “Motor imagery and direct brain– computer Communication”, Neural Engineering: Merging Engineering and Neuroscience, Proc. IEEE (Special Issue), vol. 89 (7), 2001, pp. 1123– 1134.

[50] . Marijn van Vliet,“Effectiveness of Automatic EOG Regression”, University of Twente, Netherlands, 2006

[51] . LI Ming-Ai YANG Lin-Bao YANG Jin-Fu, “A Fully Automatic Method of Removing EOG Artifacts from EEG Recordings”, School of Electronic Information and Control Engineering, Beijing University of Technology, China,

[52] . Mehrdad Fatourechi 1, Ali Bashashati1, Rabab K Ward, Gary E Birch, “EMG and EOG Artifacts in Brain Computer Interface Systems: A Survey”, 2009

[53] . Zahmeeth Sakkaff and Asiri Nanayakkara, “Removal of ocular artifacts from EEG signals in Brain Computer Interface”,Institute of Fundamental Studies, Hanthana Road, Kandy, Proceedings of the Technical Sessions, 24 (2008) 51-57

[54] . Filipa Campos Viola, Jeremy Thorne, Barrie Edmonds, Till Schneider, Tom Eichele,

Stefan Debener, “Semi-automatic identification of independent components representing EEG artifact”, Clinical Neurophysiology 120 (2009) 868–877

[55] . German Gomez-Herrero, Wim De Clercq, Haroon Anwar, Olga Kara1, Karen Egiazarian, Sabine Van Huffel, Wim Van Paesschen, “Automatic Removal of Ocular Artifacts in the EEG without an EOG Reference Channel”, NORSIG 2006

[56] . Irene Winkler, Stefan Haufe, Michael Tangermann, “Automatic Classification of Artifactual ICA Components for Artifact Removal in EEG Signals”, Winkler et al. Behavioral and Brain