Application of Advanced Machine Learning Models for BCI Data Classification in Neurorehabilitation

Filip CHLAD

Bakalářská práce

Abstract:

This thesis presents a cross-subject Motor Imagery Brain-Computer Interface (BCI) pipeline applied to EEG data in the context of neurorehabilitation. A custom dataset class was implemented using the MOABB framework to load and preprocess multi- subject EEG recordings in BrainVision format. The preprocessing pipeline includes channel selection, bandpass ltering (8-30 Hz), resampling, baseline correction, and epoch extraction. Cross-subject evaluation was performed using a Leave-One-Subject-Out scheme with ve classication methods: Common Spatial Patterns (CSP) combined with Linear Discriminant Analysis (LDA), Logistic Regression (LR), and Support Vector Machine (SVM), as well as two deep learning architectures EEGNet and ShallowConvNet. Experiments were conducted on both the custom dataset (29 subjects) and BCI Competition IV Dataset 2a (9 subjects). The best- performing method, CSP+LDA, achieved a mean accuracy of 67.4 % on the custom dataset and 74.2 % on BCI IV-2a. ShallowConvNet achieved competitive results (65.3 % and 72.5 %) with lower inter-subject variance than CSP+LDA.

Abstract:

Tato práce představuje pipeline pro klasifikaci motorické představivosti (Motor Imagery) napříč subjekty pomocí EEG dat v kontextu neurorehabilitace. Byla implementována vlastní třída datasetu využívající framework MOABB pro načítání a předzpracování EEG záznamů ve formátu BrainVision. Pipeline zahrnuje výběr kanálů, pásmovou filtraci (8-30 Hz), převzorkování, korekci základní linie a extrakci epoch. Hodnocení napříč subjekty bylo provedeno schématem Leave-One-Subject-Out s pěti klasifikačními metodami: Common Spatial Patterns (CSP) v kombinaci s klasifikátory LDA, LR a SVM a dvěma architekturami hlubokého učení EEGNet a ShallowConvNet. Experimenty byly provedeny na vlastní datové sadě (29 subjektů) a na datové sadě BCI Competition IV Dataset 2a (9 subjektů). Nejlepší metodou byl CSP+LDA s průměrnou přesností 67,4 % na vlastní datové sadě a 74,2 % na BCI IV-2a. ShallowConvNet dosáhl srovnatelných výsledků (65,3 % a 72,5 %) s nižší mezipředmětovou variancí než CSP+LDA.

Keywords

Rozhraní mozek-počítač, motorická představivost, EEG, CSP, EEGNet, ShallowConvNet, MOABB, klasifikace napříč subjekty, transferové učení, neurorehabilitace

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 4. 5. 2026

Zveřejnit od: 31. 12. 2999

Obhajoba závěrečné práce

• Vedoucí: doc. Ing. Roman Mouček, Ph.D.

ZÁPADOČESKÁ UNIVERZITA V PLZNI

Fakulta aplikovaných věd

Bakalářský studijní program / obor:
Softwarové inženýrství / Softwarové inženýrství