WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 10 | 11 || 13 | 14 |   ...   | 58 |

достаточно было иметь фиксированный Ok = y ) размер скрытого слоя, состоящий из (wkj j, единичного узла. Это было возможно где Ok - выход k-го узла, wkj – весовой благодаря используемому параллельному коэффициент связи j-го узла первого слоя с соревновательно-градиентному алгоритму с k-м узлом выходного слоя, yj – выход j-го полностью настраиваемой радиальноузла первого слоя.

базисной функцией.

Алгоритм настройки параметров сети Интерпретатор. Кодирование классов – центров с и ширин и весов w – состоит в для нейросетей производится таким следующем. Традиционное решение образом, что заключение о принадлежности настройки параметров заключается в входного вектора к искомому классу последовательном применении делается при превышении активности соревновательного алгоритма для выходного нейрона пороговой величины настройки центров с узлов скрытого слоя thresh1, выходная активность выходного сети, а затем градиентного алгоритма для нейрона ниже пороговой величины настройки весов связей w узлов выходного интерпретируется как нулевая:

слоя. Ширины узлов скрытого слоя 1,если O thresh устанавливаются заранее или k O = 0,если O < threshk рассчитываются однажды и в последующем k итерационном процессе не изменяются [7].

В качестве порогового уровня thresh1 была Данная схема была модифицирована таким выбрана величина 0.5 при линейной образом, что соревновательный и нормировке выходных значений сети в градиентный режимы работают диапазон [0,1]. Поскольку на вход параллельно. Кроме того, ширины узлов нейронной сети не подаются предыдущие скрытого слоя включены в градиентную значения временного ряда, временная настройку, причем настройка производится структура паттернов полностью для каждой из компонент вектора ширины учитывается при интерпретации ее ответов.

узла сети.

Окончательное решение классификатора о Входной слой каждой из трех наличии в ЭЭГ паттерна, связанного с нейросетей состоит из 14 входов, выполнением движения, формируется Материалы XVI Международной конференции по нейрокибернетике следующим образом. Последовательность ЭЭГ состояния покоя классификатор не ответов нейросети о(t) интерпретируется выявил присутствие паттернов движений.

как выполнение движения определенного Заключение класса, если эта последовательность В работе предложен новый составлена из ответов о принадлежности к нейросетевой подход для классификации одному классу и имеет непрерывную длину пространственно-временных паттернов не менее thresh2. Определение величины ЭЭГ произвольно выполняемых thresh2 производилось по обучающей мысленных движений. В основе выборке и соответствовало максимальному классификатора лежит комитет нейросетей значению точности работы радиально-базисных функций и классификатора. интерпретатор их ответов. Особенностью Результаты вычислений нейросетей является реализация ими В вычислительных экспериментах положительных ответов о принадлежности исследовалась работа классификатора на только к одному классу, тогда как для двух наборах экспериментальных данных большого многообразия примеров других для каждого обследуемого. На первом классов нейронная сеть не дает никакого этапе производилось обучение нейросети ответа. Другой особенностью модели на ЭЭГ-паттернах реальных движений. При классификатора явилось наличие обучении интерпретатор ответов не интерпретатора последовательности принимал участия, поэтому требуемая ответов нейросетей для учета временной точность обучения формулировалась на структуры распознаваемых паттернов, уровне классификации отдельных тогда как традиционное решение основано экземпляров данных и составляла не менее на расширении количества входов 90%. После обучения трех нейросетей до нейросети для учета предыдущих значений 90%-го уровня точности на обучающих временного ряда. Классификатор примерах производилось определение продемонстрировал высокую точность наилучшего порога длины паттернов распознавания ЭЭГ-паттернов мысленных интерпретатора. Порог длины составил 21 движений (не менее 93%) и уменьшил (84 мс) для всех анализируемых случаев. ошибку, связанную с ложным Анализ паттернов производился для двух детектированием движений в состоянии последовательностей, формируемых как покоя.

конъюнкция ответов первой и третьей сети, и второй и третьей сети. По первой Список литературы 1. Wolpaw J.R., Birbaumer N., McFarland D.J., последовательности детектировались Pfurtscheller G., Vaughan T.M. Clin. Neurophysiol.

движения левой рукой, по второй – правой.

2002, 113, pp.767–791.

Окончательное решение комитета о 2. Morash V, Bai O, Furlani S, Lin P, Hallett наличии паттернов движения в ЭЭГ M.Classifying. Clin. Neurophysiol. 2008 Nov;119(11), принимается при обнаружении паттерна pp.2570-3. Bashashati A, Ward RK, Birch GE. Comput Intell искомой длины в одной из Neurosci. последовательностей. С включенным в 4. Blankertz B, Mller KR, Krusienski DJ, Schalk G, работу интерпретатором и установленным Wolpaw JR, Schlgl A, Pfurtscheller G, Milln Jdel R, порогом на длину непрерывной Schrder M, Birbaumer N. IEEE Trans Neural Syst последовательности ответов нейросети Rehabil Eng. 2006 Jun;14(2):153-9.

5. Шепелев И.Е., Владимирский Б.М.

точность работы классификатора составила Нейрокомпьютеры: разработка, применение, 2010, не менее 93% на тестовой выборке №2. с. 4-10.

мысленных движений.

6. Шепелев И.Е., Лазуренко Д.М. XIV Далее тестировалась работа "Нейроинформатика-2012": Ч.3. М.: НИЯУ МИФИ, классификатора на записях ЭЭГ для двух 2012. с.238-7. Хайкин С. Нейронные сети: полный курс = состояний покоя – с открытыми и Neural Networks: A Comprehensive Foundation. 2-е.

закрытыми глазами. Во всех случаях для М.: «Вильямс», 2006. 1104 c.

2-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «ИНТЕРФЕЙС “МОЗГ-КОМПЬЮТЕР”» «ОДНОСТИМУЛЬНЫЙ» ИНТЕРФЕЙС МОЗГ-КОМПЬЮТЕР:

ОФФЛАЙН-ТЕСТ С.Л. Шишкин1,2, А.А. Николаев3, Ю.О. Нуждин4, И.П. Ганин1, А.Я. Каплан1,Московский государственный университет им. М.В. Ломоносова Национальный исследовательский центр «Курчатовский институт» Национальный исследовательский ядерный университет «МИФИ» OOO «Инновационные технологии» sergshishkin@mail.ru, http://brain.bio.msu.ru We propose a single-stimulus modification of the Pоказаться одними из наиболее BCI paradigm for using in BCI switches. Although this перспективных при изучении modification made the user’s task much simpler, offline адаптационных возможностей мозга в classification results did not differ between the new and использовании его нового «выхода», the standard paradigms.

предоставляемого ИМК-технологией [3].

Управление интерфейсами мозгДалее мы представим теоретическое компьютер «на волне Р300» (ИМК-Р300) обоснование возможности использования доступно подавляющему большинству одностимульной парадигмы в ИМК, и людей и не требует специальной затем опишем результаты ее оффлайнтренировки [1]. Популярность этого тестирования с использованием реальной интерфейса постоянно растет, и ему все ЭЭГ из ИМК-эксперимента.

чаще находят новые области применения.

ИМК-Р300 был разработан для Психофизиологические основы выбора команд из большого числа одностимульного ИМК одновременно доступных (прежде всего, команд печатания букв алфавита). Однако Пользователю стандартного ИМКво многих случаях требуется использовать Р300 в разных позициях на экране единственную «кнопку» (ключ), например, предъявляются стимулы, соответствующие включающую или выключающую различным командам. Чтобы ввести устройство или его отдельную функцию.

нужную команду, пользователь Для этих целей предлагалось использовать концентрирует внимание на и ИМК-Р300 [2], однако его элементы, соответствующей ей позиции и мысленно связанные с уже не использующимися отмечает предъявляемые в ней стимулы.

командами, продолжали создавать При этом после «целевых стимулов» (тех, нагрузку для пользователя.

которые мысленно отмечает пользователь) Мы предлагаем использовать для в ЭЭГ регистрируется высокоамплитудная ввода единственной команды волна Р300, а после «нецелевых» «одностимульную» модификацию ИМК(предъявляемых в других позициях) ее нет Р300, управление которой значительно или ее амплитуда значительно ниже.

упрощено благодаря исключению ИМК-Р300 обычно представляют нецелевых стимулов, избыточных при как разновидность хорошо известной в использовании ИМК в качестве ключа. Мы психофизиологии «одбол-парадигмы», в полагаем, что дальнейшая оптимизация которой частота целевых стимулов ниже, этой модификации позволит достичь чем нецелевых. Однако в ней все стимулы особенно высокой скорости отклика предъявляются в одной позиции. Нами интерфейса, что исключительно важно при было показано, что в ИМК-Р300 целевые и разработке робототехнических нецелевые стимулы хорошо различаются приложений. Кроме того, благодаря также по высокоамплитудной негативной повышению «интуитивности» задачи волне с латентностью около 200 мс (N1) пользователя и ее максимальному [4], обычно не наблюдаемой в стандартном упрощению одностимульные ИМК могут зрительном «одболе». Она существенно Материалы XVI Международной конференции по нейрокибернетике помогает в определении вводимой ЭЭГ, зарегистрированные в нашем команды в ИМК-Р300 [4,5]. эксперименте [12], позволяли провести В литературе по ИМК-Р300 наличие моделирование работы ИМК на основе нецелевых стимулов считается одностимульной парадигмы необходимым для генерации Р300 в ответ непосредственно при распознавании на целевые. Однако в психофизиологии вводимой пользователем команды. Такой известна «одностимульная парадигма» – анализ мы и опишем далее.

модификация одбол-парадигмы, в которой нецелевые стимулы полностью Методика отсутствуют [6]. В этой парадигме амплитуда Р300 оказалась лишь несколько В ходе эксперимента [12] сначала ниже, чем в одбол-парадигме с тем же проводилось обучение классификаторов в распределением интервалов между одностимульной и в стандартной целевыми стимулами [6].

парадигме ИМК-Р300. Затем испытуемые, По нашим данным, одностимульная используя стандартный ИМК-Р300 и один парадигма и ИМК-Р300 при одинаковом из классификаторов, печатали заданную распределении интервалов между последовательность цифр (целевыми целевыми стимулами не имеют становились последовательно цифры от существенных различий по амплитуде как до 9). Одностимульная парадигма Р300, так и N1 [7].

отличалась от стандартной только В разработанном нами отсутствием нецелевых стимулов. Таким действующем игровом ИМК-Робразом, в ней не было стимулов во всех одностимульная парадигма использовалась позициях и в те моменты времени, где в на завершающей стадии игры. Это не стандартной парадигме должны нарушало управляемость интерфейса, хотя предъявляться нецелевые стимулы. В эти обучение его классификатора проходило на моменты времени в записи ЭЭГ ставились данных, записанных в стандартной те же маркеры нецелевых стимулов с парадигме [8].

соответствующим кодом, как в Наличие нецелевых стимулов стандартном режиме, где они реально неизбежно усложняет задачу пользователя.

предъявлялись. Стимулы в обеих Они могут автоматически привлекать парадигмах предъявлялись в таблице 3хвнимание, провоцируя неправильные без группировки в строки и столбцы. ЭЭГ срабатывания ИМК. Позициям, смежным с регистрировалась в позициях Cz, Pz, PO7, позицией целевого стимула, свойственна PO8, O1 и O2.

повышенная амплитуда Р300 [9] и Хотя онлайн-тестирование обоих повышенная частота ошибочного ввода классификаторов проводилось только в [10]. Мы показали, что и после стимулов, стандартной парадигме, в оффлайн-режиме предъявляемых в отдаленных позициях, в классификатор мог быть протестирован и ИМК-Р300 иногда может наблюдаться на записях, сделанных в эксперименте в повышенная амплитуда Р300 [11].

одностимульной парадигме на стадии Для использования в ИМК-Робучения классификатора.

одностимульная парадигма была В настоящей работе был применен предложена в нашей работе [12], где на ее классификатор на основе фишеровского фоне регистрировали данные для обучения дискриминанта в сочетании с тихоновской классификатора. Несмотря на регуляризацией. Его обучение проводилось существенное упрощение задачи на ЭЭГ, записанных при обучении пользователя на стадии обучения классификатора в эксперименте (классификатора и ее значительное отличие целевых и 576 нецелевых эпох в каждом от условий применения классификатора, режиме). Вектор признаков формировался нам удалось сохранить достаточно путем фильтрации ЭЭГ в полосе 1-12 Гц, высокую точность классификации.

децимации до частоты 50 Гц и объединения встык по всем каналам 2-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «ИНТЕРФЕЙС “МОЗГ-КОМПЬЮТЕР”» отсчетов в интервале 50-550 мс соответственно 86% и 87%). Близкие относительно стимула. Тестирование значения (медиана 83%) были получены проводилось на записях, полученных во при применении классификатора, всех режимах. При тестировании на тех же обученного в одностимульной парадигме, к записях, в которых классификатор был данным, полученным в стандартной обучен, использовалась кросс-валидация парадигме в процессе обучения по методу leave-one-out. Целевой стимул классификатора. Это подтвердило «угадывался» по максимальному значению результаты нашего предыдущего анализа произведения весов классификатора и тех же ЭЭГ с использованием более вектора признаков, усредненного по простого классификатора (в частности, четырем предъявлениям, среди всех девяти медианы точности, рассчитанной по стимулов. онлайн-данным, были равны Моделировалась ситуация, когда соответственно 83% и 81% – [12]).

пользователь пытается ввести команду Точность значимо снизилась (p=0,03, через ИМК-ключ. Если «угаданный» ИМК парный критерий Вилкоксона) в сравнении стимул оказывался целевым, считалось, что со стандартным обучением и команда успешно введена, если же был тестированием лишь при сочетании «угадан» какой-либо другой стимул выборок для обучения и тестирования, не (реально предъявлявшийся в стандартной имеющем практического значения – при парадигме и не предъявлявшийся в обучении классификатора на записях одностимульной), засчитывалась ошибка. стандартного режима и тестировании на Такие ошибки можно было рассматривать ЭЭГ, записанной в одностимульном как ошибки «пропуска цели». режиме (медиана – 72%).

Результаты Точность оффлайн-лассификации (в %).

Основные результаты представлены Испыту- Парадигма в таблице. При обучении классификатора емые Стандартная Одностимульная на данных, записанных в стандартной 1 94 парадигме, и тестировании его на 2 94 отдельной выборке из этих же данных 3 83 медиана точности классификации 4 94 составила 94% (случайный уровень – 11%).

Pages:     | 1 |   ...   | 10 | 11 || 13 | 14 |   ...   | 58 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.