Оцінка якості уявних рухів на основі машинного навчання для застосування в нейрокомп’ютерних інтерфейсах

Автор(и)

  • Oleksii O. Avilov Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» http://orcid.org/0000-0001-6802-0663
  • Anton Oleksandrovych Popov Національний технічний університет України "Київський політехнічний інститут ім. Ігоря Сікорського" http://orcid.org/0000-0002-1194-4424
  • Vladimir Ivanovych Timofieiev Національний технічний університет України "Київський політехнічний інститут ім. Ігоря Сікорського" http://orcid.org/0000-0003-0515-1580
  • Laurent Bougrain Університет Лотарингії http://orcid.org/0000-0001-6794-0505
  • Patrick Henaff Університет Лотарингії http://orcid.org/0000-0002-5186-2466

DOI:

https://doi.org/10.20535/2523-4455.2018.23.5.134021

Ключові слова:

машинне навчання, нейрокомп’ютерний інтерфейс, штучний інтелект, наука про дані, виявлення аномалій

Анотація

У роботі представлено застосування машинного навчання для виявлення «викидів» (випадкових відхилень) у даних та підвищення точності класифікації уявних рухів нейрокомп’ютерними інтерфейсами.

Використана база даних сигналів електроенцефалограм 29 суб'єктів, що виконували уявні рухи правою та лівою рукою (NIRx GmbH, Берлін). Представлений підхід на основі методів машинного навчання без вчителя, за допомогою яких відбувається детектування викидів у даних. В результаті отримується співвідношення параметру насичення даних викидами до точності класифікації. Обраний параметр насичення даних викидами фактично є показником якості вхідних даних і використовується для очищення даних перед тренуванням нейрокомп’ютерного інтерфейсу. У результаті використання запропонованого підходу точність класифікації уявних рухів збільшилась в середньому на 14.9% для восьми суб’єктів. Для інших суб’єктів точність лишилась незмінною, або зменшилась. В результаті виявлено, що запропонований підхід є суб’єкто-специфічним і потребує налаштування для окремого користувача та вдосконалення для широкого застосування, проте вже зараз дозволяє суттєво підвищити точність класифікації уявних рухів окремих суб’єктів.

Бібл. 28, рис. 2, табл. 2.

Посилання

R. Kohavi and F. Provost, Glossary of terms. Machine Learning, 30th ed. Boston: Kluwer Academic Publishers, 1998, pp. 271–274, DOI: 10.1023/A:1017181826899.

C. Gianfagna, H. Yu, M. Swaminathan, R. Pulugurtha, R. Tummala and G. Antonini, "Machine-Learning Approach for Design of Nanomagnetic-Based Antennas", Journal of Electronic Materials, vol. 46, no. 8, pp. 4963-4975, 2017, DOI: 10.1007/s11664-017-5487-8.

A. Kusne, T. Gao, A. Mehta, L. Ke, M. Nguyen, K. Ho, V. Antropov, C. Wang, M. Kramer, C. Long and I. Takeuchi, "On-the-fly machine-learning for high-throughput experiments: search for rare-earth-free permanent magnets", Scientific Reports, vol. 4, no. 1, 2014, DOI: 10.1038/srep06367.

M. Fernandez, J. Abreu, H. Shi and A. Barnard, "Machine Learning Prediction of the Energy Gap of Graphene Nanoflakes Using Topological Autocorrelation Vectors", ACS Combinatorial Science, vol. 18, no. 11, pp. 661-664, 2016, DOI: 10.1021/acscombsci.6b00094

A. Yosipof, O. Nahum, A. Anderson, H. Barad, A. Zaban and H. Senderowitz, "Data Mining and Machine Learning Tools for Combinatorial Material Science of All-Oxide Photovoltaic Cells", Molecular Informatics, vol. 34, no. 6-7, pp. 367-379, 2015, DOI: 10.1002/minf.201400174.

R. Hathout and A. Metwally, "Towards better modelling of drug-loading in solid lipid nanoparticles: Molecular dynamics, docking experiments and Gaussian Processes machine learning", European Journal of Pharmaceutics and Biopharmaceutics, vol. 108, pp. 262-268, 2016, DOI: 10.1016/j.ejpb.2016.07.019.

N. Laanait, Z. Zhang and C. Schlepütz, "Imaging nanoscale lattice variations by machine learning of x-ray diffraction microscopy data", Nanotechnology, vol. 27, no. 37, p. 374002, 2016, DOI: 10.1088/0957-4484/27/37/374002.

W. Cheng, "Identify problematic layout patterns through volume diagnosis", 2015 International Symposium on VLSI Technology, Systems and Applications, 2015, DOI: 10.1109/VLSI-TSA.2015.7117551.

A. Hughes, Z. Liu, M. Raftari and M. Reeves, "A workflow for characterizing nanoparticle monolayers for biosensors: Machine learning on real and artificial SEM images", PeerJ PrePrints, 2015, DOI: 10.7287/peerj.preprints.671v2.

Y. Ozaki, H. Yamada, H. Kikuchi, T. Murakami, T. Matsumoto, T. Kawabata, Y. Hiramatsu, M. Ohta, K. Kamiya, M. Baba, T. Yamauchi, K. Goto, Y. Ueda, S. Okazaki and H. Konno, "Label-free imaging identification of WBCs based on the features of quantitative phase microscope images for negative selection of CTCs", Cancer Research, vol. 76, no. 14, pp. 3952-3952, 2016, DOI: 10.1158/1538-7445.AM2016-3952.

P. Krstić, B. Ashcroft and S. Lindsay, "Physical model for recognition tunneling", Nanotechnology, vol. 26, no. 8, p. 084001, 2015, DOI: 10.1088/0957-4484/26/8/084001.

E. Papa, J. Doucet, A. Sangion and A. Doucet-Panaye, "Investigation of the influence of protein corona composition on gold nanoparticle bioactivity using machine learning approaches", SAR and QSAR in Environmental Research, vol. 27, no. 7, pp. 521-538, 2016, DOI: 10.1080/1062936X.2016.1197310.

J. Wolpaw, Brain-computer interfaces. New York: Oxford University Press, 2012, ISBN: 9780195388855.

A. Butler and S. Page, "Mental Practice With Motor Imagery: Evidence for Motor Recovery and Cortical Reorganization After Stroke", Archives of Physical Medicine and Rehabilitation, vol. 87, no. 12, pp. 2-11, 2006, DOI: https://doi.org/10.1016/j.apmr.2006.08.326.

M. Jeannerod, "Mental imagery in the motor context", Neuropsychologia, vol. 33, no. 11, pp. 1419-1432, 1995, DOI: 10.1016/0028-3932(95)00073-C.

M. Lotze and U. Halsband, "Motor imagery", Journal of Physiology-Paris, vol. 99, no. 4-6, pp. 386-395, 2006, DOI: 10.1016/j.jphysparis.2006.03.012.

C. Neuper, R. Scherer, M. Reiner and G. Pfurtscheller, "Imagery of motor actions: Differential effects of kinesthetic and visual–motor mode of imagery in single-trial EEG", Cognitive Brain Research, vol. 25, no. 3, pp. 668-677, 2005, DOI: 10.1016/j.cogbrainres.2005.08.014.

C. Lindig-Leon, S. Rimbert, O. Avilov and L. Bougrain, "Scalp EEG activity during simple and combined motor imageries to control a robotic ARM", IEEE First Ukraine Conference on Electrical and Computer Engineering (UKRCON), pp. 322-327, 2017, DOI: 10.1109/UKRCON.2017.8100502.

S. Rimbert, O. Avilov, L. Bougrain, "Discrete motor imageries can be used to allow a faster detection", 7th Graz Brain-Computer Interface Conference, 2017, HAL Id: hal-01512407.

P. Rousseeuw and K. van Driessen, "A Fast Algorithm for the Minimum Covariance Determinant Estimator", Technometrics, vol. 41, no. 3, p. 212, 1999.

B. Schölkopf, J. Platt, J. Shawe-Taylor, A. Smola and R. Williamson, "Estimating the Support of a High-Dimensional Distribution", Neural Computation, vol. 13, no. 7, pp. 1443-1471, 2001.

Liu, Fei Tony, Ting, Kai Ming and Zhou, Zhi-Hua, "Isolation forest", Data Mining. ICDM‘08. Eighth IEEE International Conference, 2008, DOI: 10.1109/ICDM.2008.17.

J. Shin, A. von Luhmann, B. Blankertz, D. Kim, J. Jeong, H. Hwang and K. Muller, "Open Access Dataset for EEG+NIRS Single-Trial Classification", IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 25, no. 10, pp. 1735-1745, 2017, DOI: 10.1109/TNSRE.2016.2628057.

S. Butterworth, "On the Theory of Filter Amplifiers", Experimental Wireless and the Wireless Engineer, vol. 7, p. 536–541, 1930.

G. Bianchi and R. Sorrentino, "Electronic filter simulation design", McGraw-Hill Professional, p. 17–20, 2007, ISBN: 0071494677 / 9780071494670.

G. Pfurtscheller and F. Lopes da Silva, "Event-related EEG/MEG synchronization and desynchronization: basic principles", Clinical Neurophysiology, vol. 110, no. 11, pp. 1842-1857, 1999, DOI: 10.1016/S1388-2457(99)00141-8.

G. Pfurtscheller and A. Berghold, "Patterns of cortical activation during planning of voluntary movement", Electroencephalography and Clinical Neurophysiology, vol. 72, no. 3, p. 250–258, 1989, DOI: 10.1016/0013-4694(89)90250-2.

W. Klimesch, G. Pfurtscheller, W. Mohl, and H. Schimke, "Event-related desynchronization, erd-mapping and hemispheric differences for words and numbers", International Journal of Psychophysiology, vol. 8, no. 3, p. 297–308, 1990, DOI: 10.1016/0167-8760(90)90020-E.

##submission.downloads##

Опубліковано

2018-10-31

Як цитувати

Avilov, O. O., Popov, A. O., Timofieiev, V. I., Bougrain, L., & Henaff, P. (2018). Оцінка якості уявних рухів на основі машинного навчання для застосування в нейрокомп’ютерних інтерфейсах. Мікросистеми, Електроніка та Акустика, 23(5), 25–31. https://doi.org/10.20535/2523-4455.2018.23.5.134021

Номер

Розділ

Електронні системи та сигнали