Книги по разным темам Pages:     | 1 |   ...   | 7 | 8 | 9 | 10 | 11 |   ...   | 58 |

стороны, это приведет к более полному удалению избыточности в тех ЭЭГ, которые есть в наличие, что должно 2-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ ИНТЕРФЕЙС УМОЗГ-КОМПЬЮТЕРФ ПОПЫТКА ИСПОЛЬЗОВАНИЯ АПРИОРНОЙ ИНФОРМАЦИИ О КОМПОНЕНТАХ N1 И P300 ДЛЯ ПРЕДОБРАБОТКИ ЭЭГ В ИНТЕРФЕЙСЕ МОЗГ-КОМПЬЮТЕР НА ВОЛНЕ P300 А.С. Мигалев1, С.Л. Шишкин2,3, А.Е. Осадчий4, А.А. Николаев1, И.П. Ганин2, А.А. Пупышев4, А.Я. Каплан2,Национальный исследовательский ядерный университет МИФИ Московский государственный университет им. М.В. Ломоносова Национальный исследовательский центр Курчатовский институт Санкт-Петербургский государственный университет sergshishkin@mail.ru, A priori information about approximate spatiotemporal ИМК-P300, как видно из его названия, location of the N1 and P300 waves was applied in the нацелен на использование позитивной context of the P300 BCI framework for constructing волны P300. Она имеет высокую амплитуду spatial filters using the Common Spatial Pattern (CSP) в ответах на целевые стимулы и низкую technique. Preliminary results of testing the CSP preprocessing in combination with Fisher Linear (или вообще отсутствует) в ответах на Discriminant (FLD) and Support Vector Machines with нецелевые стимулы. В последние годы linear, sigmoid and RBF kernels are presented.

было установлено, что не меньшее значение для классификации в этом ИМК у людей с сохраненной способностью Интерфейс мозг-компьютер на волне управления взглядом имеет негативная P300 (P300-based BCI; далее ИМК-P300), в волна N1 с иной пространственной отличие от других неинвазивных ИМК, локализацией и более ранней латентностью позволяет подавляющему большинству - приблизительно 200 мс [5, 6]. Однако до людей эффективно работать с ним даже без недавнего времени авторы работ по тренировки [1]. Уже существует примеры оптимизации анализа ЭЭГ в ИМК-Pего долговременного использования исходили из необходимости выделения парализованными больными для лишь P300. Неудивительно, что слепые коммуникации [2]. Скорость передачи подходы к предобработке и классификации информации в ИМК-P300 одна из самых брали верх над специализированными высоких. Однако даже этот ИМК нуждается методами, ориентированными на работу в значительном улучшении его точностнолишь с P300. По-видимому, они скоростных характеристик.

выигрывали за счет возможности Основные усилия исследователей и использовать также и волну N1.

разработчиков по развитию технологии В лаборатории А.Я. Каплана недавно ИМК-P300 направлены на было показано, что ИМК-P300 допускает совершенствование вычислительных предъявление зрительных стимулов на операций: предобработки и классификации движущихся объектах [7, 8]. Как следствие, ЭЭГ-откликов на стимулы [3, 4]. Однако существенно расширяется круг лучшие результаты при этом регулярно потенциальных приложений этого достигались с использованием простых интерфейса в области робототехники и способов предобработки и простых игр, в т.ч. игр-тренажеров. Большинство классификаторов. В качестве методик пользователей таких приложений будут предобработки данных и выделения составлять люди без нарушений признаков эффективными оказались управления взглядом, и для них анализ ЭЭГ частотная фильтрация и децимация. В в ИМК-P300 должен ориентироваться на числе лучших классификаторов оказался N1 наравне с P300.

инейный дискриминантный анализ, По-видимому, использование особенно эффективный в сочетании с априорной информации об обоих регуляризацией [4].

компонентах может позволить существенно улучшить точностно-скоростные Материалы XVI Международной конференции по нейрокибернетике показатели ИМК-P300 [9]. Априорно регуляризацией) брался полный набор известны полярность и приблизительная реакций, а для обучения машин опорных пространственно-временная локализация векторов, которое было бы неэффективно информативных компонентов ЭЭГ-реакций при дисбалансе выборок, случайным на стимулы, и эту информацию можно образом отбиралось 100 реакций на попытаться использовать в предобработке, нецелевые стимулы. При работе со всеми раздельной для N1 и P300. В предобработке классификаторами одна или три записи могут использоваться хорошо использовались для индивидуальной зарекомендовавшие себя в выделении настройки предобработки (получения компонентов ЭЭГ-сигнала линейные информации о позиции пиков N1 и P300 и операции, обеспечивающие снижение настройки пространственных фильтров) и размерности данных. Тем самым будут обучения классификатора, а на еще одной созданы условия для более эффективного проводилась оценка точности определения применения классификаторов, особенно вводимой буквы. Оценки точности нелинейных. Слепой подход к усреднялись по всем разбиениям на классификации требует использования обучающую(ие) и тестовую записи.

особенно большого числа признаков, но для Стандартная предобработка состояла обучения классификатора ИМК обычно лишь из фильтрации в полосе 0,5-13,0 Гц.

доступен лишь небольшой объем данных. В При работе с пространственной этих условиях возможно переобучение, к фильтрацией после нее также выполнялись которому более чувствительны нелинейные следующие операции (раздельно для N1 и классификаторы. Однако нельзя исключить P300):

возможность нелинейной связи между 1. Определение интервалов для анализа:

некоторыми признаками, в частности, (а) сигнал усреднялся по набору каналов между амплитудами N1 и P300. В этом (PO7, PO8, O1, O2 для N1 и C3, Cz, C4, P3, случае при достаточном снижении Pz, P4 для P300) и по всем целевым эпохам;

размерности данных нелинейный (б) латентности пиков оценивались как классификатор мог бы эффективнее положение минимума в интервале 115-интегрировать информацию о свойствах мс после начала стимула (N1) и максимума обоих компонентов. в интервале 265-600 мс (P300); (в) В этой работе мы тестируем один из границами интервалов стали ближайшие к возможных подходов к использовании пику моменты времени, где абсолютное априорной информации о приблизительной значение составило 70% значения на пике.

пространственно-временной локализации 2. Применение метода общих N1 и P300 для оптимизации предобработки пространственных паттернов (CSP) к и выделения признаков при использовании интервалам, определенным на предыдущем линейных и нелинейных классификаторов. шаге, но к полному набору каналов. При этом отсчеты амплитуды во времени Методика объединялись по всем эпохам. (Метод общих пространственных паттернов уже В работе использовалась 14-канальная использовался другими авторами [10, 11] ЭЭГ, на которой производилось обучение для предобработки в рамках ИМК-Р300, классификатора действующего макета однако не позволил улучшить результаты - ИМК-P300 в работе [5]. По каждому из 11 возможно, в связи с тем, что предобработка испытуемых имелись 4 записи, каждая из ориентировалась только на выделение которых включала реакции на 100 целевых Р300.) и 500 нецелевых стимулов (далее - целевые 3. Сортировка компонент сигнала, и нецелевые эпохи). Для обучения полученных с помощью CSP, в фишеровского дискриминанта (вариант соответствии с максимальным (по времени линейного дискриминантного анализа; в относительно стимула) значением настоящей работе использовалась его коэффициента детерминации R2, который реализация в сочетании с тихоновской рассчитывался на основе значений 2-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ ИНТЕРФЕЙС УМОЗГ-КОМПЬЮТЕРФ амплитуд компоненты в целевых и машин опорных векторов с линейной нецелевых эпохах. Отбиралось заданное функцией (рис. 2).

число компонентов (1, 3 или 7) с наибольшим R2.

При формировании вектора признаков эпоха разделялась на 16 интервалов длительностью по 39 мс, в каждом из них значения сигнала усреднялись по времени, а полученные значения объединялись встык по всем каналам. В случае стандартной предобработки вектор признаков состоял из 224 значений. В случае использования пространственных фильтров длина вектора признаков зависела от числа отобранных компонент. Например, если использовалась одна компонента, длина вектора признаков равнялась 1162=32, а если семь компонент - 7162=224 (16 - число Рис. 1. Точность определения целевой буквы при использовании в качестве классификатора усредненных значений по каждой фишеровского дискриминанта Линии компоненте, 2 соответствует двум наборам соответствуют вариантам предобработки значений - для N1 и P300).

(стандартная; с использованием 1, 3, При обучении классификатора класс пространственных компонент).

эпохи задавался как целевой/нецелевой.

При тестировании оценивалась точность распознавания буквы, на которую обращено внимание испытуемого. Буква определялась на пересечении стимуластроки и стимула-столбца с наиболее высокими значениями на выходе классификатора после усреднения по заданному числу циклов стимуляции.

Результаты При использовании трех записей для обучения наиболее высокая точность была у фишеровского дискриминанта в сочетании со стандартной предобработкой Рис. 2. Точность определения целевой буквы при использовании в качестве классификатора машин вне зависимости от значений параметров.

опорных векторов с линейной функцией. Линии Ниже рассматриваются лишь результаты, соответствуют вариантам предобработки полученные при настройке предобработки (стандартная; с использованием 1, 3, и обучении классификаторов на одной пространственных компонент).

записи.

На рис. 1-4 представлены усредненные При использовании в качестве ядра по группе (n=11) данные по точности сигмоидной функции (рис. 3) и радиальной определения заданной целевой буквы из базисной функции (рис. 4) небольшое возможных букв (уровень точности при улучшение наблюдалось лишь при отборе случайном выборе - 1/36). Предобработка с пространственных компонент (серый использованием отбора пространственных пунктир). Однако и в этом случае компонент не улучшила точность результаты не превысили тех, которые классификации при использовании наблюдались при сочетании стандартной фишеровского дискриминанта (рис. 1) и Материалы XVI Международной конференции по нейрокибернетике предобработки и использовании пользователем команд в интерфейсе мозгфишеровского дискриминанта (сплошная компьютер на волне P300, в особенности черная линия на рис. 1). при использовании нелинейных классификаторов. При этом использовалась априорная информация как о волне P300, так и о компоненте N1. Точность классификации при использовании этого алгоритма на данной стадии его реализации не превысила, однако, ту, которая наблюдается при стандартной предобработке. Не исключено, что это связано с недостаточной оптимизацией составных частей алгоритма. Такая оптимизация планируется нами на следующем этапе работы.

Работа выполнена при частичной финансовой поддержке фонда Сколково Рис. 3. Точность определения целевой буквы при (грант 1110034) и ФЦП Научные и использовании в качестве классификатора машин научно-педагогические кадры опорных векторов с сигмоидной функцией. Линии соответствуют вариантам предобработки инновационной России на 2009-2013 годы (стандартная; с использованием 1, 3, (ГК П1087). Авторы благодарят Н.В.

пространственных компонент).

Маньякова за ценные замечания.

Список литературы 1. Guger C, Daban S, Sellers E et al. Neurosci. Lett.

2009;462(1):94-98.

2. Sellers EW, Vaughan TM, Wolpaw JR. Amyotroph.

Lateral Scler. 2010;11(5):449-455.

3. Mak JN, Arbel Y, Minett JW et al. J. Neural Eng.

2011;8(2):025003.

4. Blankertz B, Lemm S, Treder M, Haufe S, Mller KR. Neuroimage. 2011;56(2):814-825.

5. Шишкин СЛ, Ганин ИП, Басюл ИА, Каплан АЯ.

XV Междунар. конф. по нейрокибернетике (23-сентября 2009 г.) Т. 2. Симпозиум "Интерфейс мозгкомпьютер". С. 30-33.

6. Treder MS, Blankertz B. Behav. Brain Funct.

2010;6:28.

Рис. 4. Точность определения целевой буквы при 7. Shishkin SL, Ganin IP, Kaplan AY. Neuroscience использовании в качестве классификатора машин Letters. 2011;496(2):95-99.

опорных векторов с радиальной базисной функцией.

8. Ganin IP, Shishkin SL, Kaplan AY. 5th Int. BCI Линии соответствуют вариантам предобработки Conf. 2011. (Sept. 22-24, 2011) P. 308-311.

(стандартная; с использованием 1, 3, 9. Шишкин СЛ, Ганин ИП, Николаев АА, Каплан пространственных компонент).

АЯ. Всерос. конф. Нейроинформатика-2011 (МИФИ, 24-28 января 2011 г.). С. 192-201.

Заключение 10. Krusienski DJ, Sellers EW, Vaughan TM. 3rd Int.

IEEE/EMBS Conf. on Neural Engin, 2007. P. 421-424.

В данной работе мы провели 11. Combaz A, Manyakov NV, Chumerin N, Suykens тестирование процедур предобработки и JAK, Van Hulle MM. IEEE Int. Conf. on Mach.

выделения признаков, нацеленных на Learning and Appl. 2009. P. 386-391.

улучшение определения вводимых 2-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ ИНТЕРФЕЙС УМОЗГ-КОМПЬЮТЕРФ МОДЕЛЬ ДИНАМИКИ ДИСКРЕТНЫХ СОСТОЯНИЙ ДЛЯ ЗАДАЧ НЕЙРООБРАТНОЙ СВЯЗИ А. Пупышев 1, А. Осадчий 1,3, К. Довганюк 1, Е. Журин 1, М. Лисицина 1, О. Ветровой 1, А. Александров 1, Ю. Кропотов 2, А. Фрадков 1,Санкт-Петербургский Государственный Университет, 2Институт Мозга Человека РАН, Институт Проблем Машиноведения РАН alex2-92@mail.ru, ossadtchi@gmail.com In this work in order to increase the neurofeedback переходов между различными состояниями, training efficacy we propose to use a discrete state так называемая Марковская цепь первого probabilistic model (a.k.a. Markov Model). Each state of порядка. Каждое состояние в данной such model is characterized by a certain mean vector of модели характеризуется некоторым EEG parameters and matrix of transition probabilities can be estimated. First, we hypothesize that the states вектором ЭЭГ параметров, а матрица vary based on the probability of transition to the subset вероятностей переходов может быть of states with desired value of the optimized criterion.

Pages:     | 1 |   ...   | 7 | 8 | 9 | 10 | 11 |   ...   | 58 |    Книги по разным темам