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

Oleksii O. Avilov; Anton Oleksandrovych Popov; Vladimir Ivanovych Timofieiev; Laurent Bougrain; Patrick Henaff

doi:10.20535/2523-4455.2018.23.5.134021

Т. 23 · № 5 · 2018 жов 31, 2018 Електронні системи та сигнали

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

Oleksii O. Avilov Відповідальний Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна

Anton Oleksandrovych Popov Національний технічний університет України "Київський політехнічний інститут ім. Ігоря Сікорського" Україна

Vladimir Ivanovych Timofieiev Національний технічний університет України "Київський політехнічний інститут ім. Ігоря Сікорського" Україна

Laurent Bougrain Університет Лотарингії Франція

Patrick Henaff Університет Лотарингії Франція

Сторінки25-31 Опублікованожов 31, 2018

PDF

ТОМ 23 · № 5 · 2018 Переглянути випуск

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.

Ключові слова

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

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.

Попередня у випуску Аналіз акустичних властивостей вентиляційних каналів Наступна у випуску Сенсори на польових та фототранзисторах з металевими наночастинками та пористим кремнієм

§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.

Усі випуски

Квазістатична ідентифікація структури затінення сонячних панелей за методом векторів кардинальних чисел

PhD, доц. Олена Олегівна Абакумова, д-р техн. наук, проф. Валерій Якович Жуйков, Микола О. Лук'янов

У статті розглянуто проблему ідентифікації структури затінення сонячних панелей. Актуальність дослідження зумовлена необхідністю швидкої та адекватної реконфігурації…

#Сонячні панелі #Фотоелектрична поверхня #Моделювання структури тіней #Квазістатична ідентифікація

с. 362283.1-362283.7

10.20535/2523-4455.mea.362283

Імітаційне моделювання фільтро-компенсаційного перетворювача для трифазної трипровідної мережі

Іван Андрійович Вакуленко, канд. техн. наук, доц. Дмитро Анатолійович Миколаєць, канд. техн. наук, доц. Катерина Сергіївна Клен

У цій статті розглядається критична проблема погіршення якості електроенергії в сучасних енергосистемах, спричинена поширенням нелінійних навантажень. Такі навантаження…

#фільтр-компенсаційний перетворювач #трифазна трипровідна мережа #якість електроенергії #повне гармонійне спотворення

с. 361138.1-361138.6

10.20535/2523-4455.mea.361138

Комплексний метод виділення неінвазивного сигналу фетальної електрокардіограми та класифікації серцевих аритмій

Дмитро А. Шевчук, канд. техн. наук, доц. Наталія Георгіївна Іванушкіна

Стаття присвячена розробці комплексного методу виділення фетального електрокардіосигналу (ФЕКГ) з неінвазивних абдомінальних записів та подальшої автоматизованої…

#абдомінальні електрокардіограми #фетальна електрокардіограма #аритмія #сліпе розділення джерел

с. 356487.1-356487.11

10.20535/2523-4455.mea.356487

Статті цього автора (цих авторів), які найбільше читають

Maksym M. Fedorchuk, Anton Oleksandrovych Popov, Техніка та методи аналізу біосигналів для моніторингу глибини анестезії , Мікросистеми, Електроніка та Акустика: Том 23 № 4 (2018)
Ivan Andriiovych Sahumbaiev, Anton Oleksandrovych Popov, Референсная архитектура систем для анализа биомедицинских данных , Мікросистеми, Електроніка та Акустика: Том 22 № 5 (2017)

Схожі статті

Анастасія Володимирівна Паренюк, PhD Дмитро Володимирович Паренюк, PhD, дослідник Катерина Л. Руденька, Практичний метод оцінювання безпечних звуків для осіб із ПТСР , Мікросистеми, Електроніка та Акустика: Том 31 № 2 (2026)
Дмитро А. Шевчук, канд. техн. наук, доц. Наталія Георгіївна Іванушкіна, Комплексний метод виділення неінвазивного сигналу фетальної електрокардіограми та класифікації серцевих аритмій , Мікросистеми, Електроніка та Акустика: Том 31 № 2 (2026)
Anton Volodymyrovych Mnevets, Nataliia Heorhiivna Ivanushkina, Моделі сіамських нейронних мереж для класифікації серцевих аритмій за умов нестачі тренувальних ЕКГ сигналів , Мікросистеми, Електроніка та Акустика: Том 30 № 2 (2025)
Yana Vjyatsheslavivna Kabushka, Anton Serhiiovych Zotko, Ivan Viktorovich Kandrachuk, Oleksii Volodymyrovych Korzhyk, Дальність виявлення малих повітряних об’єктів наземною системою шумопеленгування , Мікросистеми, Електроніка та Акустика: Том 23 № 5 (2018)
Anna Serhiivna Poreva, Valentyn Ihorovych Vaityshyn, Yevgeniy Serhiiovych Karplyuk, Методи машинного навчання для дослідження сигналівзвуківлегенів , Мікросистеми, Електроніка та Акустика: Том 22 № 6 (2017)
Антон Васильович Коцюбайло, д-р техн. наук, проф. Олександр Миколайович Лисенко, Розподілена архітектура системи Wi-Fi-керування активним ортезом верхніх кінцівок , Мікросистеми, Електроніка та Акустика: Том 31 № 1 (2026)
Maksym Serhiiovych Fil, Dnys Yurevych Lebeddev, Leonid Mykolaiovych Pavlov, Підвищення стійкості цифрового телебачення до перешкод , Мікросистеми, Електроніка та Акустика: Том 24 № 5 (2019)
Дмитро Войціх, Данило Гринь, Марія Гринюк, канд. техн. наук, доц. Олексій Вікторович Богданов, канд. фіз.-мат. наук, доц. Юрій Павлович Буценко, канд. техн. наук, доц. Олена Іванівна Баліна, канд. техн. наук, доц. Ірина Сергіївна Безклубенко, Програмні засоби супроводження курсу вищої математики у технічному університеті , Мікросистеми, Електроніка та Акустика: Том 31 № 1 (2026)
Myhailo Yuhymovych Artemenko, Larysa Mykolaivna Batrak, Serhii Yosyfovych Polishchuk, Повна потужність та коефіцієнт корисної дії трифазної чотирипровідної системи живлення , Мікросистеми, Електроніка та Акустика: Том 23 № 3 (2018)
Liubomyr Mykolaiovych Korolevych, Natalia Maksimchuk, Oleksandr Vasyliovych Borysov, Вплив методів отримання тонких плівок оксиду церію на вольт-фарадні характеристики МДН-структур , Мікросистеми, Електроніка та Акустика: Том 24 № 3 (2019)

1-10 з 89 Наступне

Ви також можете розпочати розширений пошук схожих статей для цієї статті.

[1] 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.

[2] 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.

[3] 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.

[4] 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

[5] 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.

[6] 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.

[7] 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.

[8] 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.

[9] 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.

[10] 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.

[11] 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.

[12] 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.

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

[14] 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 .

[15] 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.

[16] 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.

[17] 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.

[18] 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.

[19] 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.

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

[21] 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.

[22] 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.

[23] 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.

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

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

[26] 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.

[27] 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.

[28] 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.