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

Скорочена інформація про документ
dc.contributor.authorАвілов, О. О.
dc.contributor.authorПопов, Антон Олександрович
dc.contributor.authorТимофєєв, Володимир Іванович
dc.contributor.authorБугрен, Л.
dc.contributor.authorЕнаф, П.
dc.date.accessioned2020-05-02T17:26:55Z
dc.date.available2020-05-02T17:26:55Z
dc.date.issued2018
dc.description.abstractenBrain-computer interfaces based on motor activity aim at restoring motor skills for people with paralysis or providing devices to help such people (interfaces with computers, robotic hands, wheelchairs). In such interfaces, imaginary movements are widely used. Imaginary movement it is the mental process, during which a person imagines a certain movement, as a result of which the neural activity in the motor regions of the cerebral cortex is modulated. These oscillations can be observed in electroencephalograms. Imaginary movements are used to train neurocomputer interfaces, and it is often impossible to evaluate the quality of the subject's performance of the task. The process of performing imaginary movement is not an easy task and requires prior training. Therefore, the accuracy of classification for some subjects can be higher than for other. All methods for imagine movement classification could be improved if there would be a methodology for assessing the quality of subject performance of imaginary movements. Then the data of the experiments could be filtered, and only valid data for training could be used. The paper presents the application of machine learning to detect anomalies (outliers) in data and improve the accuracy of the imaginary movement classification for brain-computer interfaces. The database with electroencephalogram signals of 29 subjects that performed right and left hand imaginary movements (NIRx GmbH, Berlin) was used. The signals from the eight channels corresponding to the motor zones of the cerebral cortex are filtered in alpha and beta frequency ranges. For feature extraction was used parameter event related synchronization and desynchronization which was obtained from different frequency bands after filter the raw EEG. Using this index, the decreasing and increasing of oscillations in alpha and beta rhythms that occur in the localized areas of the motor cortex of the brain can be seen. Support Vector Machine with linear kernel used for classification. An approach is presented on the basis of unsupervised machine learning methods for anomaly detection. As a result, the outlier fraction is obtained. This parameter shows the percentage of saturation data with anomalies. This parameter is actually an indicator of the quality of the input data and is used to clear data before training the brain computer interface. As a result of proposed approach application, the accuracy of the imaginary movement classification increased by 14.9% for 8 subjects. For other subjects, the accuracy remained unchanged, or decreased. This approach is subject-specific and requires customization for a specific user and improvement before further wide usage, but now it is already possible to significantly improve the accuracy of imaginary movement classification for individual subjects. Perspective use of anomaly detection for estimation of imaginary movement quality established.uk
dc.description.abstractruВ работе представлено применение машинного обучения для обнаружения выбросов (случайных отклонений) в данных и повышения точности классификации воображаемых движений в нейрокомпьютерных интерфейсах. Использована база данных сигналов электроэнцефалограмм 29 субъектов, которые выполняли мнимые движения правой и левой рукой (NIRx GmbH, Берлин). Представлен подход на основе методов машинного обучения без учителя, с помощью которых происходит детектирование выбросов в данных. В результате получено соотношение параметра насыщения данных выбросами к точности классификации. Выбранный параметр насыщения данных выбросами фактически является показателем качества входных данных и используется для очистки данных перед тренировкой нейрокомпьютерного интерфейса. В результате использования предложенного подхода точность классификации воображаемых движений увеличилась на 14.9% для 8 субъектов. Для других субъектов точность осталась неизменной, или уменьшилась. Данный подход является субъектно-специфичным и требует настройки для конкретного пользователя и совершенствования для широкого применения, однако уже сейчас позволяет существенно повысить точность классификации воображаемых движений отдельных субъектов.uk
dc.description.abstractukУ 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.uk
dc.format.pagerangeС. 25-31uk
dc.identifier.citationОцінка якості уявних рухів на основі машинного навчання для застосування в нейрокомп’ютерних інтерфейсах / Авілов О. О., Попов А. О., Тимофєєв В. І., Бугрен Л., Енаф П. // Мікросистеми, Електроніка та Акустика : науково-технічний журнал. – 2018. – Т. 23, № 5(106). – С. 25–31. – Бібліогр.: 28 назв.uk
dc.identifier.doihttps://doi.org/10.20535/2523-4455.2018.23.5.134021
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/33190
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/uk
dc.sourceМікросистеми, Електроніка та Акустика : науково-технічний журнал, 2018, Т. 23, № 5(106)uk
dc.subjectмашинне навчанняuk
dc.subjectнейрокомп’ютерний інтерфейсuk
dc.subjectштучний інтелектuk
dc.subjectнаука про даніuk
dc.subjectвиявлення аномалійuk
dc.subjectmachine learninguk
dc.subjectbrain-computer interfaceuk
dc.subjectartificial intelligenceuk
dc.subjectdata scienceuk
dc.subjectanomaly detectionuk
dc.subjectмашинное обучениеuk
dc.subjectнейрокомпьютерный интерфейсuk
dc.subjectискусственный интеллектuk
dc.subjectобнаружение аномалийuk
dc.subject.udc004.67uk
dc.titleОцінка якості уявних рухів на основі машинного навчання для застосування в нейрокомп’ютерних інтерфейсахuk
dc.title.alternativeEstimation of Imaginary Movements Quality Based on Machine Learning for Brain Computer Interface Applicationsuk
dc.title.alternativeОценка качества мнимых движений на основании машинного обучения для применения в нейрокомпьютерных интерфейсахuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
MEA2018_23-5_p25-31.pdf
Розмір:
349.26 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.06 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Мікросистеми, Електроніка та Акустика: науково-технічний журнал, Т. 23, № 5(106)