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

Бічна панель сторінки статті

PDF
Опубліковано: жов 31, 2018
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

Основний зміст сторінки статті

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

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.

Блок інформації про статтю

Як цитувати
[1]
O. O. Avilov, A. O. Popov, V. I. Timofieiev, L. Bougrain, і P. Henaff, «Оцінка якості уявних рухів на основі машинного навчання для застосування в нейрокомп’ютерних інтерфейсах», Мікросист., Електрон. та Акуст., т. 23, вип. 5, с. 25–31, Жов 2018.
Номер
Том 23 № 5 (2018)
Розділ
Електронні системи та сигнали
Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
  2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
  3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).

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.