Preview

Математика и математическое моделирование

Расширенный поиск

Методы построения пространства признаков сигнала ЭЭГ в гибридном интерфейсе «глаз-мозг-компьютер»

https://doi.org/10.24108/mathm.0218.0000118

Полный текст:

Аннотация

Гибридный интерфейс «глаз-мозг-компьютер» представляет собой новый подход к обеспечению человеко-машинного взаимодействия. В нем объект, интересующий пользователя, определяется по направлению взгляда, а намерение пользователя отдать команду идентифицируется путем регистрации и декодировании электрической активности мозга. Принцип работы интерфейса основан на том, что управляющие фиксации взгляда можно отличить от спонтанных фиксаций по сигналу электроэнцефалограммы (ЭЭГ).

В статье рассматриваем задачу распознавания паттернов сигнала ЭЭГ, соответствующих спонтанным и управляющим фиксациям взгляда. Исследуем возможность повышения точности распознавания за счет применения сравнительно новых методов построения признаков многомерных временных рядов. Данные методы включают поиск оптимальных частотных диапазонов многомерного сигнала и модифицированный метод шейплетов. Идея первого метода состоит в построении оптимального пространства признаков на основе априорной информации о различии частотных составляющих многомерного сигнала для разных классов. Второй метод реализует поиск с помощью генетического алгоритма таких фрагментов многомерных временных рядов, которые максимально отражают свойства одного или нескольких классов этих рядов. Признаковое описание временных рядов при этом формируется путем вычисления расстояний от них до набора из k лучших найденных фрагментов (шейплетов).

Статья состоит из пяти разделов. В первом разделе рассматриваем математическую постановку задачи классификации многомерных временных рядов. Во втором разделе приводим формальное описание предлагаемых методов построения признаков. В третьем разделе даем описание тестовых данных, в качестве которых используем записи ЭЭГ, полученные при работе шести пользователей с гибридным интерфейсом «глаз-мозг-компьютер». В четвертом разделе исследуем эффективность предлагаемых методов по сравнению с рядом других подходов к формированию признаков, к которым относятся:
1) расчет усредненных значений амплитуды сигнала в перекрывающихся окнах; 2) оценка энергии сигнала в заданных частотных диапазонах; 3) отбор наиболее информативных признаков с помощью генетического алгоритма. В пятом разделе проводим статистический анализ полученных результатов. Показано, что метод формирования признаков, основанный на поиске оптимальных частотных диапазонов многомерного сигнала ЭЭГ, по эффективности значимо превосходит другие рассмотренные методы, открывая, таким образом, возможность для сокращения числа ложных срабатываний интерфейса.

Об авторе

П. И. Сотников
http://ru-bci.org
МГТУ им. Н.Э. Баумана, Москва
Россия

Сотников Петр Иванович

кафедра РК-6 (САПР),

SPIN-код: 5743-2609



Список литературы

1. Ihme K., Zander T.O. What you expect is what you get? Potential use of contingent negative variation for passive BCI systems in gaze-based HCI // Affective computing and intelligent interaction: AII 2011. B.; Hdbl.: Springer, 2011. Pp. 447–456. DOI: 10.1007/978-3-642-24571-8_57

2. Protzak J., Ihme K., Zander T.O. A passive brain-computer interface for supporting gaze-based human-machine interaction // Universal access in human-computer interaction. Design methods, tools and interaction techniques for eInclusion: UAHCI 2013. Pt. 1. B.; Hdbl.: Springer, 2013. Pp. 662–671. DOI: 10.1007/978-3-642-39188-0_71

3. Shishkin S.L., Nuzhdin Yu.O., Svirin E.P., Trofimov A.G., Fedorova A.A., Kozyrskiy B.L., Velichkovsky B.M. EEG negativity in fixations used for gaze-based control: Toward converting intentions into actions with an eye-brain-computer interface // Frontiers in Neuroscience. 2016. Vol. 10. P. 528. DOI: 10.3389/fnins.2016.00528

4. Шишкин С.Л., Козырский Б.Л., Трофимов А.Г., Нуждин Ю.О., Федорова А.А., Свирин Е.П., Величковский Б.М. Улучшение работы интерфейса глаз–мозг–компьютер при использовании частотных компонентов ЭЭГ // Вестник Российского гос. медицинского ун-та (РГМУ). 2016. № 2. С. 36-41. DOI: 10.24075/brsmu.2016-02-05

5. Young-Seon Jeong, Myong K. Jeong, Olufemi A. Omitaomu. Weighted dynamic time warping for time series classification // Pattern Recognition. 2011. Vol. 44. No. 9. Pp. 2231-2240. DOI: 10.1016/j.patcog.2010.09.022

6. Fulcher B.D. Feature-based time-series analysis. Режим доступа: https://arxiv.org/pdf/1709.08055v2 (дата обращения 6.06.2018).

7. Vasimalla K. A survey on time series data mining // Intern. J. of Innovative Research in Computer and Communication Engineering. 2014. Vol. 2. Spec. iss. 5. Pp. 170-179.

8. Esmael B., Arnaout A., Fruhwirth R.K., Thonhauser G. Improving time series classification using hidden Markov models // 12th intern. conf. on hybrid intelligent systems: HIS 2012 (Pune, India, December 4-7, 2012): Proc. N.Y.: IEEE, 2012. Pp. 502-507. DOI: 10.1109/HIS.2012.6421385

9. Zhengping Che, Sanjay Purushotham, Kuynghyun Cho, Sontag D., Yan Liu. Recurrent neural networks for multivariate time series with missing values // Nature. Scientific Reports. 2018. Vol. 8. No. 1. Article 6085. 14 p. DOI:10.1038/s41598-018-24271-9

10. Bin He, Shangkai Gao, Han Yuan, Wolpaw J.R. Brain-computer interfaces // Neural engineering. 2nd ed. N.Y.: Springer, 2013. Chapter 2. Pp. 87-151. DOI: 10.1007/978-1-4614-5227-0_2

11. Сотников П.И. Выбор оптимальных частотных диапазонов сигнала электроэнцефалограммы в интерфейсе мозг-компьютер // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2015. № 6. С. 217-234. DOI: 10.7463/0615.0778091

12. Карпенко А.П., Кострубин М.С., Чернышев А.С. Эффективность классификации многомерных временных рядов с помощью шейплетов // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2015. № 11. С. 382-405. DOI: 10.7463/1115.0827396

13. Lexiang Ye, Eamonn Keogh. Time series shapelets: a new primitive for data mining // 15th ACM SIGKDD intern. conf. on knowledge discovery and data mining: KDD 2009 (Paris, France, June 28 – July 01, 2009): Proc. N.Y.: ACM Press, 2009. Pp. 947 - 956. DOI: 10.1145/1557019.1557122

14. Карпенко А.П., Сотников П.И. Модифицированный метод классификации многомерных временных рядов с использованием шейплетов // Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2017. № 2. С. 46-65. DOI: 10.18698/0236-3933-2017-2-46-65

15. Anand A., Pugalenthi G., Fogel G.B., Suganthan P.N. An approach for classification of highly imbalanced data using weighting and undersampling // Amino Acids. 2010. Vol. 39. No. 5. Pp. 1385–1391. DOI: 10.1007/s00726-010-0595-2

16. Унгуряну Т.Н., Гржибовский А.М. Краткие рекомендации по описанию, статистическому анализу и представлению данных в научных публикациях // Экология человека. 2011. № 5. С. 55-60.


Для цитирования:


Сотников П.И. Методы построения пространства признаков сигнала ЭЭГ в гибридном интерфейсе «глаз-мозг-компьютер». Математика и математическое моделирование. 2018;(2):33-52. https://doi.org/10.24108/mathm.0218.0000118

For citation:


Sotnikov P.I. Feature Construction Methods for the Electroencephalogram Signal Analysis in Hybrid “Eye-Brain-Computer” Interface. Mathematics and Mathematical Modeling. 2018;(2):33-52. (In Russ.) https://doi.org/10.24108/mathm.0218.0000118

Просмотров: 122


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2412-5911 (Online)