Книги по разным темам Pages:     | 1 |   ...   | 9 | 10 | 11 | 12 | 13 |   ...   | 58 |

При анализе ЭЭГ в качестве Известно, что прошлое сохраняется натуральной меры времени мы используем в двух различных формах: в форме единицу исчисления последовательностей двигательных механизмов и в виде локальных максимумов и локальных независимых воспоминаний. Отсюда минимумов, отражающую происходящие следует, что и узнавание должно процессы синхронизации и осуществляться двумя способами:

десинхронизации медленных автоматическим включением биоэлектрических потенциалов. При этом соответствующего моторного механизма, события - максимумы или минимумы - когда мы производим движение, или считаются УодинаковымиФ, независимо от мысленным представлением того действия, значения амплитуды конкретных которое узнается. И если это так, то при локальных максимумов или минимумов.

отражении этих двух способов в ЭЭГВ используемой нами модели активности должны иметь место два времени, если два или более различных паттерна. Для обнаружения этих последовательных события одинаковы паттернов нами разработаны специальные (различия в амплитудах не превышают 5%), алгоритмы и программное обеспечение для т.е. когда в состоянии процесса фактически реализации ранее предложенного отсутствуют изменения, его собственное событийно-ориентированный анализа ЭЭГ.

2-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ ИНТЕРФЕЙС УМОЗГ-КОМПЬЮТЕРФ время останавливается, прекращает свой отсутствие - 0). Срезы, в которых ход. максимумы отсутствуют, удаляются.

Исходным материалом для Второй шаг - в режиме поиск использования в алгоритмах последовательностей векторов идентификации мысленных команд осуществляется поиск векторов являются ряды экстремумов ЭЭГ от экстремумов (максимумов и/или множества отведений (они же моменты минимумов), соответствующих только собственного времени), определенные в определенному состоянию, т.е.

соответствии с вышесказанным. Если являющихся уникальными для одного исходить из представлений о том, что конкретного движения - реального или всякое движение абсолютно неделимо, то мысленного. Программа позволяет это будет значить, что определяющими осуществлять выбор нужных отведений и являются сами факты появления выбор критерия уникальности векторов, экстремумов, безотносительно к их т.е. учета количества появлений вектора в величине и знаку. Поэтому для каждого нескольких фрагментах одного движения.

момента астрономического времени, В результате получается массив задаваемого таймером устройства уникальных векторов, который регистрации ЭЭГ-сигналов, существует используется для классификации.

бинарный - состоящий из нулей и единиц - Третий шаг - полученный массив вектор, размерность которого определяется уникальных векторов загружается в числом пунктов съема ЭЭГ-сигналов, а качестве настроек LETTER для единицы соответствуют тем отведениям, осуществления процесса классификации.

для которых в данный момент имеет место На вход подаются новые массивы экстремум. бинарных данных, не использованные для Кроме того, для того, чтобы процесса обучения. LETTER производит одновременно учитывать и сравнение новых векторов с уникальными пространственные и временные и, в случае полного совпадения, относит особенности ЭЭГ во время неизвестный вектор к одному из классов.

воспроизведения реальных и мысленных Для каждого фрагмента накапливаются движений, каждый из таких векторов найденные уникальные вектора, и по включал в себя три последовательных процентному соотношению принимается момента наличия максимумов в отдельных решение об отнесении данного фрагмента к отведениях ЭЭГ. Полученные таким одному из классов.

образом вектора использовались в Четвертый шаг - на выходе LETTER дальнейшем анализе. мы получаем файл с результатами Для этого разработано оригинальное классификации, в котором указаны, с каким программное обеспечение LETTER, процентом каждый фрагмент отнесен к позволяющее отыскивать уникальные определенному классу, и перечислены вектора экстремумов ЭЭГ, регистрируемой найденные в нем уникальные вектора.

от множества отведений, а затем ставить Разработанное алгоритмическое и эти вектора в соответствие конкретным программное обеспечение было реальным или мысленным движениям. Весь протестировано на экспериментальном программный код написан на языке материале, полученном в ходе специально программирования С# в среде разработки организованного обследования. Это Visual Studio 2008. обследование было проведено на здоровых Поиск уникальных векторов ЭЭГ испытуемых в возрасте от 18 до 25 лет. Во осуществлялся следующим образом. время эксперимента испытуемым Первый шаг - LETTER в предлагалось выполнить ряд простых автоматическом режиме преобразует реальных и мысленных движений, исходные данные в бинарные, осуществляя связанных с пальцами рук и ног. Каждое поиск экстремумов ЭЭГ по отведениям движение выполнялось 10-20 раз с (наличие экстремума обозначается - 1, регистрацией ЭМГ- и ЭЭГ- активности.

Материалы XVI Международной конференции по нейрокибернетике ЭМГ использовалась в качестве метки, для справедливой. Уникальные вектора, определения момента начала выполнения используемые для идентификации реального движения. По результатам реальных и мысленных движений экспериментов были сформированы существенно различаются. Применение массивы данных, пригодные для предложенного способа представления ЭЭГ дальнейшей обработки. Оказалось, что эти и разработанных алгоритмов позволяют массивы пригодны также и для правильно идентифицировать реальные и использования в качестве входных мысленные движения с точностью от 80 до векторов при использовании в обучаемой 95 %.

нейронной сети. В настоящее время разрабатываются Полученные результаты прежде модификации предложенных алгоритмов с всего показали, что принятая гипотеза о целью их использования для решения задач двух способах отражения в ЭЭГ реальных и идентификации в реальном масштабе мысленных команд, вероятно, является времени.

2-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ ИНТЕРФЕЙС УМОЗГ-КОМПЬЮТЕРФ НЕЙРОСЕТЕВОЙ КОМИТЕТ ДЛЯ КЛАССИФИКАЦИИ ЭЭГ-ПАТТЕРНОВ МЫСЛЕННЫХ ДВИЖЕНИЙ И.Е. Шепелев, Д.М. Лазуренко НИИ нейрокибернетики им. А.Б. Когана ЮФУ, г. Ростов-на-Дону shepelev@krinc.ru In this paper a new neural network committee approach алгоритмов, так как требует классификации for spatiotemporal EEG patterns>

паттернов мысленных движений на фоне The base of a>

neural networks for two>

исследований по разработке нейросетевого классификатора для интерфейса мозгВведение компьютер на основе мысленных движений [5,6]. Предлагается новое нейросетевое В последние годы задача решение для классификации идентификации паттернов ЭЭГ часто пространственно-временных паттернов рассматривается в контексте создания мозговой активности, связанных с систем линтерфейс мозг-компьютер [1].

мысленным выполнением движений Целью создания таких систем является руками на фоне естественной сопряжение активности мозга человека с электрической активности мозга.

внешними устройствами, минуя любые Особенностью модели классификатора нервно-мышечные каналы. Предполагается, является: 1) использование комитета что человек способен произвольно нейронных сетей для вывода о результатах изменять электрическую активность своего классификации, 2) реализация в каждой мозга, генерируя паттерны, которыми нейронной сети положительных ответов о можно управлять внешними устройствами.

принадлежности только к ограниченному Обнаружение соответствующих признаков числу классов, в то время как для большого позволяет классифицировать намерения многообразия примеров других классов пользователя с тем, чтобы реализовать нейронная сеть не дает никакого ответа и 3) последующую трансляцию регистрируемой наличие интерпретатора ответов нейросети мозговой активности в сообщения или для учета временной структуры команды для внешнего устройства. В распознаваемых паттернов, в то время как качестве наиболее перспективного с точки традиционное решение основано на зрения емкости (числа генерируемых расширении количества входов нейросети команд) и скорости передачи управляющих для получения предыдущих значений команд рассматривается класс временного ряда.

интерфейсов, функционирующих на основе ЭЭГ-паттернов, соответствующих Экспериментальные данные мысленно выполняемым движениям [2].

Актуальным для практического Источником данных для анализа применения является разработка служили ЭЭГ сигналы, зарегистрированные асинхронного мозгового интерфейса, у двух обследуемых. Каждый из них классифицирующего мысленные движения, участвовал в 1 обучающем и 2 тестовых выполняемые в произвольном темпе [3].

обследованиях. 14 активных электродов Одновременно это представляется наиболее были установлены в соответствии с сложным для реализации с помощью международной системой л10-20 в точках существующих классифицирующих F7, F8, F3, F4, C3, C4, P3, P4, O1, O2, T3, Материалы XVI Международной конференции по нейрокибернетике T4, T5 и T6 (рис.1). Референтными служили полосовым фильтром (0,1-4 Гц) с условным электроды, расположенные на мочках ушей порогом 10 мкВ, который соответствовал (референт объединенный). началу реального движения. Из ЭЭГ каждого цикла вырезались обучающие и тестовые 14-компонентные временные ряды. Обучающими данными служили отрезки ЭЭГ перед реальными движениями длительностью 150-200 мс, соответствующие позднему компоненту потенциала готовности (ПГ), во временном Рис. 1. Схема расположения регистрирующих окне -500 -150 мс до метки инициации электродов.

движения. Дополнительно для обучающего отрезка указывалось значение класса - Запись ЭЭГ осуществлялась левая или правая рука. Для тестирования монополярно с частотой дискретизации использовалось два типа данных - ЭЭГотсчетов в секунду по каждому каналу.

паттерны мысленных движений и ЭЭГ ЭЭГ-сигналы подвергались покоя. Тестовые отрезки ЭЭГ-паттернов предварительной обработке полосовым мысленных движений, так же, как и фильтром с полосой пропускания 1-70 Гц и обучающие отрезки, имели длительность режекторным фильтром 50 Гц.

до 200 мс и соответствовали Дополнительно регистрировали латерализованному негативному электромиограмму мышц обеих рук и компоненту. Их отбор производился электроокулограмму (горизонтальную и методом пространственного картирования вертикальную) для удаления артефактов, мгновенных значений амплитуд во связанных с движением глаз и морганием.

временном окне +2500 +3800 мс от метки В процессе обследования реального движения. Для тестовых испытуемому предлагалось выполнять отрезков также указывалось значение движения левой и правой рукой в класса - левая или правая рука. Обучающая произвольном режиме, а затем повторить и тестовая выборки содержали 2 набора по его мысленно. Пауза между реальными 30 отрезков ЭЭГ для каждой руки от движениями составляла не менее 6 секунд.

каждого обследуемого. Другая тестовая Движение заключалось в поднятии выборка формировалась из двух состояний предплечья в вертикальной плоскости, при - покой с закрытыми глазами (ГЗ) и покой этом локоть оставался покоящимся на с открытыми глазами (ГО). Длительность подлокотнике кресла. В процессе работы каждой функциональной пробы составляла обследуемые выполняли реальное 240 с.

движение, затем в течение 2 секунд - Модель классификатора мысленное. Всего выполнялось 70 таких Классификатор паттернов ЭЭГ, циклов (реальное + мысленное движение) соответствующих мысленным движениям, каждой рукой. Для последующей состоял из двух нейронных сетей, классификации отбирались записи ЭЭГ, не применяемых для классификации каждого содержащие артефактов.

из типов мысленных движений - движений Далее осуществлялась подготовка левой и правой рукой, и одной нейронной данных для обучения и тестирования сети для разделения ЭЭГ движений и классификатора. Определение временных фоновой ЭЭГ. Для учета временной окон, пригодных для классификации структуры паттернов реальных и мысленных движений, электроэнцефалограммы был использован выполнялось процедурой суперпозиции и интерпретатор последовательности ответов обратного усреднения сигналов нейронных сетей.

относительно меток инициации движений.

Нейронная сеть. Основу модели Метки устанавливались offline после классификатора составляют сети фильтрации каналов миограммы радиально-базисных функций, обучаемые 2-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ ИНТЕРФЕЙС УМОЗГ-КОМПЬЮТЕРФ оригинальным соревновательно- соответствующих числу отведений ЭЭГ, градиентным алгоритмом настройки выходной слой содержит 1 выход для параметров сети. Радиально-базисная сеть кодирования одного класса. Первая сеть состоит из двух слоев нейронов с служила для распознавания движений настраиваемыми параметрами. Первый левой рукой, вторая - правой рукой и (скрытый) слой осуществляет нелинейное третья - для распознавания движений преобразование входного сигнала левой или правой рукой. Третья сеть посредством активационных функций дискриминировала ЭЭГ движений от ЭЭГ своих узлов, представляющих собой фона. Необходимость наличия первых двух функцию Гаусса: сетей отдельно для каждого движения обусловлена перекрытием кластеров (I - c ) i ji каждого из движений в признаковом y = expj 2, ji пространстве, что при решении в рамках одной нейросети вызывает заведомую где yj - выход j-го узла, Ii - компоненты ошибку классификации.

входного вектора сети, сji - компоненты Входным сигналом для первых двух вектора координат центра j-го узла сети, ji сетей служили непосредственно амплитуды - компоненты ширины j-го узла сети. Узлы ЭЭГ, а для третьей - разности двух второго (выходного) слоя выполняют последующих значений амплитуд ЭЭГ.

скалярное произведение вектора выходов Признаковые пространства для каждой из узлов первого слоя y с вектором трех нейросетей были сформированы так, собственных весовых коэффициентов w, что для решения задачи нейросети формируя выход сети O:

Pages:     | 1 |   ...   | 9 | 10 | 11 | 12 | 13 |   ...   | 58 |    Книги по разным темам