XIII JORNADAS INTERNACIONALES DE INGENIERIA CLINICA Y TECNOLOGIA MEDICA, PARANÁ, ENTRE RÍOS, ARGENTINA Ensamblado multcanal de Redes Neuronales Artfcales para la deteccón del P300 en señales EEG Elzabeth Hernández, Alex Agular, Steren Chabert, y Rodrgo Salas Departamento de Ingenería Bomédca. Unversdad de Valparaíso, elzabeth.hernandez.r@gmal.com, alex.agular.n@gmal.com, steren.chabert@uv.cl, rodrgo.salas@uv.cl Resumen En este trabajo se propone una nueva técnca para mejorar la deteccón del potencal evocado asocado a eventos nfrecuentes P300 medante la colaboracón snérgca de redes neuronales artfcales expertas en dferentes canales de la señal EEG. De esta forma se aprovecha la nformacón multcanal para mejorar la efectvdad y efcenca en la deteccón del potencal evocado relaconado a eventos, y así generar en forma oportuna señales de control a dspostvos en aplcacones de Interfaz Cerebro Computador. Resultados expermentales utlzando los datos adqurdos en las competencas de BCI000 muestran un buen desempeño de la técnca propuesta frente a dferentes nveles de promedacón coherente de la señal y contrastado con las técncas ndvduales y mono-canal de redes neuronales artfcales. Palabras Clave: Ensamblado de Redes euronales Artfcales, EEG multcanal, Interfaz Cerebro Computadora (ICC), P300. L I. INTRODUCCIÓN as Interfaces Cerebro Computadora (ICC) buscan establecer vías alternatvas de comuncacón y control de una computadora por una persona con algún grado de dscapacdad motora que no lograría este manejo de otra forma. Se trata de desarrollar medos que entreguen un grado de autonomía para personas dscapactadas, como por ejemplo, permtr a una persona concente pero tetrapléjca escrbr mensajes en una pantalla. Una de las vías de comuncacón explorada para lograr este propósto ha sdo el uso de señales neuronales regstradas por electroencefalografía (EEG), durante algún tpo de actvdad mental drgda. Los eléctrodos de adquscón de las señales se posconan drectamente sobre el cuero cabelludo en dferentes ubcacones pre-determnadas por el sstema nternaconal 0-0 [3]. Se consdera esta técnca como no nvasva. Al presentar un estímulo al pacente, se genera una actvdad neuronal denomnada Potencales Evocados Relaconados a Eventos (o Event Related Potental ERP), como pequeñas varacones característcas del electroencefalograma que se hayan sncronzadas con algún suceso sensoral, motor o cogntvo, y que consttuyen un ndcador neurofsológco del procesamento subconscente de * Este trabajo fue fnancado por el proyecto de colaboracón nternaconal STICAMSUD 09STIC0 y el proyecto de nvestgacón DIPUV Regular 37/008. esos sucesos [4]. Exsten varos tpos de ERP ya conocdos, caracterzados por su varacón de señal postva (P) o negatva (N) y por el desfase temporal que presentan posteror a la presentacón del estímulo. De partcular nterés es el Potencal P300, onda postva de latenca de 300 ms. Para evocarlos se utlza el paradgma oddball que mplca una tarea de reconocmento de un estímulo más frecuente denomnado estándar ([3], [5], [7] y [8]). La ampltud de la P300 ha sdo asocada con la dfcultad de la tarea y con la cantdad de nformacón del estímulo medante los recursos atenconales utlzados en la realzacón de las tareas, en los procesos de memora nmedatos y de la memora de trabajo [9]. Un sstema deletreador BCI basado en P300 (P300-Speller), tene como objetvo permtr a una persona dscapactada poder escrbr una palabra medante señales provenentes de su cerebro. Este dspostvo fue presentado por prmera vez por Farwell y Donchn [0], quenes propuseron utlzar las respuestas naturales del cerebro a un estímulo externo vsual, empleándolas como patrones de comuncacón. El estudo apuntaba a determnar s un potencal relaconado a eventos como P300 podía ser empleado como un swtch que permta al usuaro poder alternar entre una opcón u otra, en este caso escrbr una letra u otra. Es mportante destacar que una vez realzada la adquscón de señales de EEG, esta nformacón se procesa, se nterpreta y luego se asoca a ntencones voluntaras del sujeto. Para el desarrollo de un sstema de nterfaz cerebrocomputadora como el P300-Speller es necesaro determnar la presenca o ausenca de un P300 dentro de un EEG, lo que puede ser consderado como un problema de clasfcacón bnaro []. Para esto exsten dferentes algortmos para la deteccón de P300 y en la actualdad los más utlzados son cnco: Pearson s correlaton method (PCM), Fsher s lnear dscrmnant (FLD), stepwse lnear dscrmnant analyss (SWLDA), lnear support vector machne (LSVM) and Gaussan support vector machne (GSVM). Sn embargo se han propuesto tambén varantes utlzando algortmos Genétcos [] y técncas neuro-dfusas []. Una de las dfcultades de trabajar con P300 en este caso es que la señal a detectar es tenue, y necesta muchas repetcones de adquscón para una buena deteccón, lo que alarga el proceso expermental y el tempo necesaro para la redaccón de una palabra. Por otra parte, una de las dfcultades de este tpo de técnca, es que están en presenca de un hecho únco,
XIII JORNADAS INTERNACIONALES DE INGENIERIA CLINICA Y TECNOLOGIA MEDICA, PARANÁ, ENTRE RÍOS, ARGENTINA que es la actvacón cerebral que genera el P300, captado en forma dversa por los dstntos electrodos ubcados en el cuero cabelludo. El propósto global de este trabajo es sacar provecho de las dstntas fuentes de nformacón dado por los dferentes canales, para así mejorar la capacdad de deteccón del P300. En efecto, una forma alternatva de deteccón de ERP es a través de la aplcacón de redes de neuronas artfcales (RNA o en nglés como "ANN") como clasfcadores, y para las cuales exsten ya técncas exploradas para combnar efcentemente los resultados de clasfcacón. Estas estructuras son de utldad en reconocmento de patrones, modelado y fltrado no lneal de señales, entre muchas otras aplcacones. Se defnen como un paradgma de aprendzaje y procesamento automátco nsprado en la forma en que funcona el sstema nervoso de los anmales. Se trata de un sstema de nterconexón de neuronas artfcales en una red que colabora para producr un estímulo de salda. En general, las redes neuronales artfcales, medante el ajuste de sus parámetros, son capaces de realzar alguna tarea u operacón. En los últmos años, las técncas de ensamblado han sdo un foco mportante de desarrollo tanto teórco como aplcado en la comundad de las máqunas de aprendzaje (ver [] y [6]). Las razones del éxto de estas técncas radca en su capacdad de mejorar el desempeño predctvo de un conjunto dverso de máqunas ndvduales. El objetvo de este trabajo es evaluar el desempeño de una nueva técnca de deteccón de potencales evocados relaconados a eventos P300, a través de ensamblados multcanal de redes neuronales, Ensamblado por Votacón y Ensamblado Ponderado, donde cada canal está asocado a una RNA. Se busca de esta forma mejorar la efcenca que se puede lograr con un modelo ndvdual y mono-canal de red neuronal artfcal. II. MATERIALES Y MÉTODOS En esta seccón se presentarán los detalles de los datos utlzados, del fltro aplcado a los datos para mnmzar la nfluenca del rudo, del dseño de las RNA utlzadas y fnalmente de la técnca de ensamblado desarrollada. A. Señales EEEG en una Interfaz Cerebro Computadora. Las señales con las que se trabajó fueron descargadas de la base de datos de BCI del centro de nvestgacón de Wadsworth y que corresponden a las competencas BCI000 de los años 003 y 004 (http://www.bbc.de/competton/). Los datos fueron adqurdos medante el sstema BCI000 que está desarrollado para la nvestgacón en nterfaz cerebrocomputador (ICC) (ver [5]). Tambén se puede utlzar para la adquscón de datos, presentacón del estímulo, y aplcacones de montoreo cerebral. Cada conjunto de datos (complado de señales) se obtuvo a partr del uso del Deletreador de Donchn, nterfaz que presenta una matrz donde están colocados los caracteres del alfabeto. La actvdad eléctrca del cerebro se regstró en la superfce del cuero cabelludo de acuerdo al sstema nternaconal de regstro 0-0, se utlzaron 64 canales para la toma de muestras, sn embargo en nuestro estudo se selecconaron solamente los ses sguentes canales: Fz, Pz, Oz, Cz, C3 y C4. B. Fltro de Dfusón Ansotrópca El fltro de dfusón ansotrópca o no lneal, establece un sstema retroalmentado para preservar la gráfca prncpal de las señales medante la adaptacón de una funcón de dfusvdad. La expresón del fltro está dada por la sguente ecuacón: f = dv( g( f, τ ) f τ donde f corresponde a la señal, g ( f, τ ) ) f exp κ = es la funcón de dfusvdad, f es la magntud del gradente de la señal y τ es el número de teracones que se realcen. La funcón g modula y pondera la magntud del gradente en cada teracón τ, anulado la dfusón en valores altos de gradentes, prvlegando la preservacón de los cambos abruptos de la señal, pero a la vez suavza la presenca del rudo. Un parámetro mportante es κ, especfcado por el usuaro,y representa las magntudes del gradente de la señal a partr de las cuales la dfusón comenza a dsmnur y como consecuenca se conservan las componentes gráfcas. En este trabajo, se consderó un κ de dez, y dos teracones. (ver [3] para mayores detalles). C. Redes euronales Artfcales El tpo de red neuronal que se utlzó es de tpo Feedforward conocda por sus sglas en nglés FANN o conocda tambén, como Perceptrón Multcapa, la cual es la más popular y más amplamente conocda. En esta red la nformacón sólo se propaga en una dreccón, desde los nodos de entrada, a través de los nodos ocultos y haca los nodos de salda. Aquellas undades están organzadas en arqutectura con tres tpos de capas: de entrada o capa sensoral, las capas ocultas y de saldas. Las neuronas correspondentes a una capa son undas a las neuronas de las capas subyacentes sn nngún tpo de puente, conexón lateral o de realmentacón. Las conexones smbolzan el flujo de nformacón entre las neuronas. La Fg. lustra la arqutectura de esta red neuronal artfcal con una capa oculta. La ecuacón que regula el funconamento de la red neuronal artfcal está dado por la sguente expresón: λ m [] [] [] [] y ˆ = γ w j γ wj x + wm+, j + w () λ+ j= = donde λ corresponde a la cantdad de neuronas esconddas, γ() y γ () son las funcones de actvacón de las neuronas de la capa escondda y de salda respectvamente. Para este trabajo se utlzó la funcón logístca γ ( z). = + e z ()
XIII JORNADAS INTERNACIONALES DE INGENIERIA CLINICA Y TECNOLOGIA MEDICA, PARANÁ, ENTRE RÍOS, ARGENTINA 3 clasfcará con ausenca de P300 (clase -) en caso contraro. La salda del ensamblado está dada por la sguente ecuacón: z( 0 d ( = (3) z( < 0 Fgura : Red Neuronal Artfcal del tpo Feedforward con una capa oculta. [] [] [] [] El vector de pesos w = [ w ; w ; w ; ] es j m+, j estmado a partr de los datos de entrenamento medante el algortmo de aprendzaje supervsado conocdo como retropropagacón. Para ver más detalle de las propedades y de las capacdades de esta técnca se sugere revsar el lbro de C. Bshop [4]. En este estudo se construyó una red del tpo feedforward para cada canal de la señal EEG sub-muestrada, por lo que se utlzaron neuronas de entrada; además se especfcaron arbtraramente, medante prueba y error, 0 neuronas esconddas y neurona de salda. La neurona de salda entrega un valor contnuo en el ntervalo [0,], donde 0 ndca ausenca de P300 y presenca de P300. Para el ensamblado esta salda fue reescalada al ntervalo [-,]. D. Ensamblado de Redes euronales Artfcales La dea básca en la construccón de un clasfcador basado en ensamblado de máqunas es combnar apropadamente un conjunto de clasfcadores ndvduales de manera tal que la decsón fnal está compuesta por la agregacón de las predccones ndvduales []. En este trabajo proponemos dos confguracones de Ensamblado de Redes Neuronales Artfcales las que varían acorde a la forma en que se agregan las decsones ndvduales. En la Fgura se muestra esquemátcamente cómo se construye el ensamblado mult-canal de redes neuronales artfcales. En ambas técncas se entrenó una red neuronal artfcal para cada uno de los canales bajo estudo, es decr, los canales: Fz, Pz, Oz, Cz, C3 y C4. De esta forma, dada una señal EEG de algún canal, la red neuronal artfcal correspondente genera una salda que puede ser s su pronóstco es que la señal tenga presenca de P300 y - en caso contraro. La prmera varante consste en un Ensamblado por Votacón de las saldas de las Redes Neuronales Artfcales (Votng ANN), en la cual cada red ndvdual d (, =..6, genera un voto a favor (+) o en contra (-) con respecto a la presenca o ausenca de P300 en la señal de EEG. La decsón fnal del ensamblado d ( se obtene sumando las decsones ndvduales 6 = j w λ z ( = d ( y s estas son mayores o guales a 0, entonces para la señal de entrada x la técnca la clasfcará con presenca de P300 (clase ), y la Fgura : Ensamblado Mult-Canal de Redes Neuronales Artfcales. La segunda varante consste en un Ensamblado Ponderado de Redes Neuronales Artfcales (Weghted A ), en la cual cada red ndvdual d,..6, genera un voto ( = a favor (+) o en contra (-) con respecto a la presenca o ausenca de P300 en la señal de EEG. La decsón fnal del ensamblado d ( se obtene medante una suma ponderada las decsones ndvduales 6 z( = α d ( y s estas son = mayores o guales a 0, entonces para señal de entrada x la técnca la clasfcará con presenca de P300, o la clasfcará con ausenca de P300 en caso contraro. El parámetro ponderador α se calcula para cada clasfcador ndvdual acorde a su desempeño, donde magntudes postvas mayores ndcan que la máquna ndvdual correspondente presenta un buen desempeño en la clasfcacón. S consderamos a ε como la proporcón de datos de entrenamento mal clasfcados, entonces el ponderador está dado por la sguente ecuacón que fue propuesta por Freund y Schapre [6]: ε α = ln (4) ε La salda del ensamblado está dada por la ecuacón (3). III. RESULTADOS Para medr el rendmento de las redes, se evaluaron cnco ndcadores: Accuracy, Precson, Senstvty, Specfcty y F- measure. Los ndcadores fueron evaluados en cuatro confguracones dferentes: - Para medr el desempeño de las redes neuronales artfcales un-canal, donde los ndcadores fueron evaluados como el promedo del desempeño de cada técnca ndvdual.
XIII JORNADAS INTERNACIONALES DE INGENIERIA CLINICA Y TECNOLOGIA MEDICA, PARANÁ, ENTRE RÍOS, ARGENTINA 4 - Para medr el desempeño ndvdual de las redes neuronales artfcales un-canal, consderando el canal cuya red tuvo el mejor desempeño de las ses redes un-canales. El crtero utlzado fue elegr aquel que presentó los mejores valores en sus ndcadores al promedar cada canal por separado. - Para medr el desempeño de la técnca de Ensamblado por votacón Mult-Canal, donde la clasfcacón se obtene según agregacón promedada de los ses canales utlzados. v - Para medr el desempeño de la técnca de Ensamblado Ponderado Mult-Canal, donde la clasfcacón se obtene según la agregacón ponderada los ses canales utlzados. Los ndcadores fueron evaluados como el promedo de 0 corrdas de expermentos para cada caso. Se utlzaron datos de 3 sujetos obtendos de las competcones del BCI000 [5]. Los sujetos fueron estmulados con el P300-Speller del BCI000 y se adqureron por un período de segundo señales de EEG que correspondía a la lumnacón de una fla o columna de caracteres. Puesto que se sabía cuál palabra es la que se deseaba escrbr, cada vez que aparecía un carácter deseado, se asumía que la señal debería portar un P300. Luego se procedó a hacer una promedacón coherente de los ensayos (3, 5, 0 y 5) separando las señales que tenen con las que no tenen P300. Debdo a que las señales sn P300 son más abundantes, se equpararon la cantdad de muestras de cada clase. Los datos correspondentes a cada sujeto fueron analzados por separados debdo a la especfcdad de la onda P300 en cada persona, y consecuentemente a la varacón de desempeño de clasfcadores según los ndvduos. De hecho, se obtuveron ndcadores más bajos para el sujeto B para todos los métodos, como lo muestran en partcular la tabla II en comparacón con la I y la III. Es probable que esto ocurra porque el sujeto presenta una dfcultad de concentracón al momento de presentar el estímulo, es decr, no acerta con el deletreo drgdo, generándose P300 en caracteres no deseados o al contraro no generándose los P300 correspondentes cuando se presenta el estímulo. Esto produce que el conjunto de datos de entrenamento no esté correctamente etquetado, lo que afecta drectamente al modelo resultante. El prmer objetvo era confrmar la técnca que mejor se comportaba según la cantdad de ensayos necesaro para obtener una buena deteccón de la onda P300. En los tres sujetos, la varacón de la F-measure según la cantdad de ensayos, y para las cuatro confguracones -v probadas confrmó que a mayor cantdad de repetcones, mejor desempeño, como lo lustran las fguras 3, 4 y 5. Cabe menconar que las tres fguras, o sea de los resultados en los tres ndvduos, subrayan que la peor clasfcacón de las cuatro propuestas resulta de la promedacón de los resultados de los ses canales obtendos por separado. En los sujetos A y C, fguras 3 y 5, las clasfcacones obtendas utlzando úncamente el mejor canal parecen tan nteresantes como las obtendas a partr de ensamblado de los multcanales. Sn embargo, la eleccón del mejor canal no es la msma de un ndvduo al otro, y puede resultar delcado el antcpar esta decsón. En la fgura 4 del sujeto B, se puede aprecar un desempeño consderablemente mejor de las técncas de ensamblado con respecto a los modelos ndvduales, lo que confrmaría empírcamente que al combnar las técncas los errores son compensados entre los modelos ndvduales. Esta últma aseveracón podría motvar el uso de ensamblado cuando los ndvduos presentan problemas de concentracón. Fgura 3: Indcador F-measure en funcón de la cantdad de ensayos para el sujeto A. Votng Weghted TABLA I RESULTADOS FINALES INDICADORES PARA 5 ENSAYOS (SUJETO A). Accuracy Specfcty Senstvty Precson F-measure 76,5% 73,33% 79,6% 74,38% 0,77 75,59% 67,5% 83,88% 7,60% 0,77 77,50% 74,45% 80,57% 75,63% 0,78 70,5% 68,59% 7,90% 69,03% 0,70 Para efecto de comparacón cuanttatva entre los métodos se consderaron 5 ensayos. Al observar la Tabla I de ndcadores podemos subrayar que el ensamblado por votacón tene una alta capacdad de detectar la presenca de P300 en una señal; sn embargo tambén tene el más bajo índce de especfcdad lo que ndca que puede confundr peaks de rudo como presenca de P300. En el caso de ensamblado por votacón tene valores cercanos en los ndcadores antes menconados, por lo que su confabldad en la deteccón de P300 es mayor. La dferenca entre ambos ndcadores se ve en la medda F, ya que esta es mayor en el caso del ensamblado ponderado. Un fenómeno smlar se observa en los resultados del sujeto C, dados en la tabla III. Tanto en las fguras 3,4 y 5 como en las tablas I, II y III, muestran que las técncas de ensamblado, y en especal el ponderado, obtuveron, en general, mejor desempeño que los modelos ndvduales, lo que ndcaría que es convenente utlzar la mayor cantdad de nformacón posble más allá del canal más nformatvo.
XIII JORNADAS INTERNACIONALES DE INGENIERIA CLINICA Y TECNOLOGIA MEDICA, PARANÁ, ENTRE RÍOS, ARGENTINA 5 Fgura 4: Indcador F-measure en funcón de la cantdad de ensayos para el sujeto B TABLA II RESULTADOS FINALES INDICADORES PARA 5 ENSAYOS (SUJETO B). Votng Weghted Accuracy Specfcty Senstvty Precson F-measure 6,4% 63,57% 6,9% 64,75% 0,63 6,8% 54,6% 67,38% 6,5% 0,64 65,5% 66,08% 64,34% 67,9% 0,66 58,3% 59,5% 57,56% 60,9% 0,59 Fgura 5: Indcador F-measure en funcón de la cantdad de ensayos para el sujeto C.. TABLA III RESULTADOS FINALES INDICADORES PARA 5 ENSAYOS (SUJETO C). Accuracy Specfcty Senstvty Precson F-measure Votng Weghted 88,75% 86,45% 9,8% 86,66% 0,89 86,88% 8,64% 93,9% 83,% 0,87 90,63% 89,33% 93,9% 89,07% 0,9 83,3% 8,30% 87,6% 8,05% 0,83 IV. CONCLUSIONES Se dseñaron y se mplementaron varos métodos de ensamblado multcanal de redes neuronales para la deteccón del potencal evocado relaconado a eventos nfrecuentes P300. Las dos técncas de ensamblado analzadas en este artículo, por votacón y por promedacón ponderada, deron resultados sensblemente smlares, mejores en general que la clasfcacón utlzando úncamente un mejor canal, y aún mejor que la clasfcacón obtenda de la promedacón global de todos los canales. Cabe subrayar que los resultados dependen del grado de concentracón del ndvduo aumenta o dsmnuye el valor de los ndcadores. Esta varable dsmnuye el rendmento de los ensamblados cuando exste poca concentracón, pero estos sguen sendo efectvos en la deteccón de P300. La técnca de ensamblado por redes neuronales entrega una nueva alternatva efcente y efcaz en la deteccón de potencales evocados P300 con aplcacones en sstemas de nterfaz cerebro-computadora. Sn embargo, aún falta mayor cantdad de análss, en partcular sobre varos sujetos para poder confrmar las tendencas que se dbujaron en este trabajo. AGRADECIMIENTOS: Los autores agradecen la ayuda técnca y los comentaros recbdos del prof. Héctor Allende-Cd. REFERENCIAS [] Y. Atum, I. Gares, G. Gentlett, R. Acevedo and H. Rufner. Genetc Feature Selecton to Optmally Detect P300 n Bran Computer Interfaces. 3nd Annual Internatonal IEEE EMBS Conference, 00 [] H. Allende, C. Moraga, R. Ñanculef and R. Salas. s Methods for Machne Learnng. Pattern Recognton and Machne Vson In honor and memory of prof. Kng-Sun Fu. P. Shen-Pe Wang (Ed.), pp. 47-6. The Rver Publshers Seres n Informaton Scence and Technology. 00 [3] R. Aston. Prncple of Bomedcal Instrumentaton and Measurement. Merrl Publshng Company, pp 3 60, 990. [4] C. Bshop, eural etworks for Pattern Recognton. Oxford Unversty Press. 996. [5] J. Bogacz, Los potencales evocados en el hombre. Edtoral el ateneo, Argentna, 985. [6] Y. Freund and Robert E. Schapre. A decson-theoretc generalzaton of on-lne learnng and an applcaton to boostng. In EuroCOLT 95: Proceedngs of the Second European Conference on Computatonal Learnng Theory, pages 3 37, 995. [7] D. Goodn Clncal utlty of long latency "cogntve" event related potentals. Journal of clncal Neurophysology, vol. 76, pp. -5, 990. [8] W. Prtchard, Psychophysology of p300. Psychologcal Bulletn. Vol. 00, pp 43 66, 98. [9] E. Donchn, D. Kars, T. Bashote, M. Coles, y G. Gratton, Cogntve psychophsology and human nformaton processng. En M. G. H. Coles, E. Donchn, y S. Porges (Eds.), Psychophysology: Systems, processes, and applcatons. pp. 44-67, 986, New York. [0] L. Farwell y E. Donchn, Talkng off the top of your head: toward a mental prosthess utlzng event-related bran potentals. Electroencephalography and clncal Neurophysology, Vol. 70, pp. 50-53, 988. [] D. Krusensk, E, Sellers, F, Cabestang, S, Bayoudh, D. McFarland, T, Vaughan y J. Wolpaw, A comparson of classfcaton technques for the P300 Speller. Journal of eural Engneerng. vol. 4,pp. 99 305, 006. [] C. Navarrete, H. Allende-Cd, R. Salas. Técnca euro-dfusa para la deteccón del P300 basado en un vector de característcas de señales EEG. da Jornadas Chlenas de Ing. Bomédca (JCIB009), 009. [3] P. Perona y J. Malk, Scale-Space and Edge Detecton Usng Ansotropc Dffuson, IEEE Transactons on pattern analyss and machne ntellgence, vol.3 n 7, pp- 69-639, 990. [4] D. Regan Human Bran Electrophysology: evoked potentals and evoked magnetc felds n scence and medcne. Elsever Nueva York. Vol. 6, pp. 563-65, 989. [5] Schalk, G., McFarland, D.J., Hnterberger, T., Brbaumer, N., Wolpaw, J.R.BCI000: A General-Purpose Bran-Computer Interface (BCI) System. IEEE Transactons on Bomedcal Engneerng, 5(6):034-043, 004.