As an able-bodied human, understanding what someone says during a phone call with a lot of background noise is usually a task that is quite easy for us as we are aware of what the information is we want to hear, e.g. the voice of the person we are talking to, and the information that is noise, e.g. music or ambient noise in the background. While dealing with noise of all kinds for most humans proves to be the easiest, it is a very hard task for algorithms to deal with noisy data. Unfortunately for some beneficial and interesting applications, like Brain Computer Interfaces (short BCI) based on Electroencephalography (short EEG) data, noise is a very prevalent problem that greatly hinders the progress of making BCIs for real-life applications. In this thesis, we investigate what effect noise added to EEG data has on the classification accuracy of one Spiking Neural Network and one Convolutional Neural Network based classifier for a motor imagery classification task. The thesis shows that already relatively small amounts of noise (10% of original data) can have strong effects on the classification accuracy of the chosen classifiers. It also provides evidence that SNN based models have a more stable classification accuracy for low amounts of noise. Still, their classification accuracy after that declines more rapidly, while CNN based classifiers show a more linear decline in classification accuracy / Att förstå vad någon säger under ett telefonsamtal med mycket bakgrundsljud är en relativt enkel uppgift för en människa eftersom vi är duktiga på att urskilja vilken del av ljudet som är relevant, t.ex. rösten hos den vi pratar med, och vilken del av ljudet som är bakgrundsbrus, t.ex. musik eller omgivningsljud. Även om det är en enkel uppgift för en människa att filtrera bort olika sorters brus så är det betydligt svårare för en algoritm att hantera brusig data. Tyvärr finns det flertalet användbara och intressanta applikationsområden där svårigheten med brus orsakar betydande problem. Ett sådant exempel är braincomputer interfaces (BCI) baserade på elektroencefalografi (EEG) där brus är ett så pass utbrett problem att det begränsar möjligheten att använda BCI i verkliga tillämpningar. I detta examensarbete undersöks hur tillägget av brus till EEG-data påverkar noggrannheten på klassificeringen av hjärnaktivitet vid visualisering av olika rörelser. För detta ändamål jämfördes två typer av klassificerare: ett spiking neural network (SNN) och ett convolutional neural network (CNN). Examensarbetet visar att redan relativt små tillägg av brus (10%) kan ha stor påverkan på klassificeringens noggrannhet. Studien påvisar även att SNN-baserade modeller har en mer stabil noggrannhet för låga mängder brus, men att noggrannheten försämras snabbare vid ökad mängd brus än för CNN-baserade klassificerare som visar en mer linjär försämring.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-342917 |
| Date | January 2023 |
| Creators | Sewina, Merlin |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2023:810 |
Page generated in 0.002 seconds