350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №1 за 2017 г.
Статья в номере:
Интерфейс мозг-компьютер с применением методов глубокого обучения
Ключевые слова: интерфейс мозг-компьютер представление движений электроэнцефалография глубокое обучение сверточная нейронная сеть
Авторы:
Ф.В. Станкевич - аспирант, Томский политехнический университет E-mail: stankevichfv@tpu.ru В.Г. Спицын - д.т.н., профессор, Томский политехнический университет E-mail: spvg@tpu.ru
Аннотация:
Рассмотрено применение методов глубокого обучения в системах типа интерфейс мозг-компьютер. Проведена классификация электроэнцефалографического сигнала (ЭЭГ) с применением сверточной нейронной сети, содержащей семь слоев, на вход которой подавался сигнал в спектральном виде с использованием функции скользящего окна. Оценено качество работы нейронной сети на наборе данных с соревнований по интерфейсу мозг-компьютер (Берлин, 2008) с воображаемыми движениями (Data Set 2a) [1]. Показано, что в качестве целевой функции была использована функция Kanna - вариант точности классификации, исключающий случайную составляющую. Получено среднее значение Kanna 0,8467 для девяти участников эксперимента в наборе данных.
Страницы: 48-55
Список источников

 

  1. Brunner C., Leeb R., Muller-Putz G.R., Schlogl A., Pfurtscheller G. BCI Competition 2008-Graz data set A // Institute for Knowledge Discovery (Laboratory of Brain-Computer Interfaces). Graz University of Technology. 2008. С. 136?142.
  2. Schmidhuber J. Deep Learning in neural networks: An overview // Neural Networks. 2015. V. 61. P. 85-117.
  3. Krizhevsky A., Hinton G.E. ImageNet Classification with Deep Convolutional Neural Networks // Adv. Neural Inf. Process. Syst. 2012. P. 1097-1105.
  4. Zeiler M.D. et al. On rectified linear units for speech processing // ICASSP, IEEE Int. Conf. Acoust. Speech Signal Process. Proc. 2013. P. 3517-3521.
  5. Martinez H.P., Bengio Y., Yannakakis G. Learning Deep Physiological Models of Affect // IEEE Comput. Intell. Mag. 2013. V. 8. № April. P. 20-33.
  6. Wolpaw J.R. et al. Brain - Computer Interface Technology: A Review of the First International Meeting. 2000. V. 8. № 2. P. 164-173.
  7. Donchin E., Spencer K.M., Wijesinghe R. The mental prosthesis: Assessing the speed of a P300-based brain- computer interface // IEEE Trans. Rehabil. Eng. 2000. V. 8. № 2. P. 174-179.
  8. LaFleur K. et al. Quadcopter control in three-dimensional space using a noninvasive motor imagery-based brain-computer interface // J. Neural Eng. 2013. V. 10, № 4. P. 46003.
  9. Tattoli G. et al. A novel BCI-SSVEP based approach for control of walking in Virtual Environment using a Convolutional Neural Network // International Joint Conference on Neural Networks (IJCNN). Beijing, China. 2014. P. 4121-4128.
  10. Cecotti H., Gräser A. Convolutional neural networks for P300 detection with application to brain-computer interfaces // IEEE Trans. Pattern Anal. Mach. Intell. 2011. V. 33. № 3. P. 433-445.
  11. Sobhani A. P300 classification using deep belief nets. Colorado State University. 2014.
  12. Hochberg T. et al. Grasp-and-Lift EEG Detection Winners - Interview: 3rd place, Team HEDJ | No Free Hunch [Electronic resource] // Kaggle. 2015.
  13. LeCun Y. et al. Backpropagation Applied to Handwritten Zip Code Recognition // Neural Computation. 1989. V. 1. № 4. P. 541-551.
  14. Cohen J. A coefficient of agreement for nominal scales // Educ. Psychol. Meas. 1960. V. XX. № 1. P. 37-46.
  15. Schögl A. et al. Evaluation Criteria for BCI Research // Towar. Brain-computer Interfacing. 2007. P. 327-342.
  16. Frolov A., Húsek D., Bobrov P. Comparison of four classification methods for brain-computer interface // Neural Netw. World. 2011. V. 21. № 2. P. 101-115.