WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 6 | 7 || 9 | 10 |   ...   | 58 |

7. Показатели Технические Психофизиофункциониро- характеристики логические вания характеристики человека 8. Субъективная Может Не оценка корректиро- корректируется функциониро- ваться вания ПОСТАНОВКА ЗАДАЧИ Исследовалась индивидуальная Рис. 3. Индивидуальная человеко-машинная человеко-машинная система с датчиком система с продуктивно-преобразующей машиной двигательной активности. Двигательная активность – число изменений ускорения В таблице проведено сравнение рук, ног или тела человека в единицу эргатических систем общего назначения и времени. Датчик двигательной активности индивидуальных.

непрерывно фиксирует число изменений Регуляция в индивидуальной ускорения туловища человека за каждые человеко-машинной системе 600 секунд и записывает в ячейку памяти осуществляется в информационной и микроконтроллера. Из микроконтроллера энергетической сферах в виде изменения данные передаются в персональный стратегии поведения, изменения компьютер, рис.4.

активности человека.

Напряженность деятельности человека оценивалась относительным числом экстремумов за интервал Ta активности.

2-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «ИНТЕРФЕЙС “МОЗГ-КОМПЬЮТЕР”» Рис. 4. Изменение двигательной активности в течение дня; Ta – интервал активности.

Рис. 7. Прогноз двигательной активности на месяцы Вычислительная машина хранит данные, определяет напряженность деятельности человека и осуществляет прогнозирование на дни, месяцы, годы, [5].

Через интерфейс взаимодействия текущие данные двигательной активности и напряженности деятельности, а также прогноз их изменения на дни, недели, месяцы и годы доступны человеку. На рисунках 5-9 показаны отображаемые интерфейсом данные.

Рис. 8. Прогноз двигательной активности на годы Пунктиром на рис.6-8 отображают предыдущий прогноз, который был на день, месяц, год раньше. Для того чтобы выяснить влияние полученной человеком информации, ему предлагалось оценить свое общее состояние как легче нормального (1), нормальное, обычное для текущих условий (2), труднее нормального (3).Каждое из состояний характеризовалось объективными показателями двигательной Рис. 5. Текущая двигательная активность активности, напряженности деятельности человека и субъективными оценками самочувствия, активности, настроения.

РЕЗУЛЬТАТЫ Оценка самочувствия, активности и настроения проводилась с помощью психологического тестирования самочувствия, активности, настроения, [6], результаты показаны на рис.9.

Рис. 6. Прогноз двигательной активности на дни Материалы XVI Международной конференции по нейрокибернетике Рис. 11. Средняя напряженность деятельности человека, когда общее состояние легче нормального (1), нормальное (2), труднее нормального (3) для двух вариантов исследования: а – без информации о Рис. 9. Результаты субъективного тестирования текущей двигательной активности, напряженности показателей самочувствия (С), активности (А), деятельности и их прогнозе (не доступен настроения (Н) когда общее состояние легче интерфейс), б - с информацией о текущей нормального (1), нормальное (2), труднее двигательной активности, напряженности нормального (3).

деятельности и их прогнозе (доступен интерфейс).

Средняя двигательная активность и ВЫВОДЫ напряженность деятельности человека рассчитывались на интервале наблюдения в 1. Индивидуальная человеко30 дней, когда человек использовал машинная система с датчиком интерфейс общения и на интервале в двигательной активности позволяет дней, когда не использовал интерфейс человеку реализовать потребность общения, т.е. не знал текущую оценку контролировать и прогнозировать двигательной активности, напряженности возрастные изменения двигательной деятельности, не знал их прогнозируемые активности.

значения. На рис. 10, 11 показаны 2. Использование градации общего результаты измерения двигательной состояния человека на состояние легче активности и напряженности деятельности нормального (1), нормальное, обычное для человека.

текущих условий (2), труднее нормального (3) позволяет по этому признаку различать количественные оценки деятельности человека.

3. Нормальное общее состояние (2) не всегда характеризуется минимальной напряженностью, рис.11, но всегда лучшим самочувствием, активностью и настроением в сравнении с состояниями (1) Рис. 10. Средняя двигательная активность человека, когда общее состояние легче нормального (1), и (3), рис. 9.

нормальное (2), труднее нормального (3) для двух 4. Индивидуальная человековариантов исследования: а – без информации о машинная система с датчиком текущей двигательной активности, напряженности двигательной активности уменьшает деятельности и их прогнозе (не доступен отклонение двигательной активности и интерфейс), б - с информацией о текущей двигательной активности, напряженности напряженности деятельности человека в деятельности и их прогнозе (доступен интерфейс).

состояниях (1) и (3) от значений, характерных для нормального состояния (2), рис.10б, 11б. Общее состояние человека становится ближе к нормальному, 2-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «ИНТЕРФЕЙС “МОЗГ-КОМПЬЮТЕР”» 2.Анохин, П.К. Теория функциональной системы которое оценивается человеком, как как предпосылка к построению физиологической лучшее по самочувствию, активности, кибернетики /П.К. Анохин // Биологические аспекты настроению.

кибернетики. -М.: Изд.-во АН СССР, 1962.- с.74-91.

5. Характер изменения 3.Информационно-управляющие человеко-машиндвигательной активности и напряженности ные системы.Справочник /Под ред. А.И. Губинского и В.Г.Евграфова.- М.:Машиностроение,1993.-528с.

деятельности человека связан с 4.Зараковский, Г.М. Закономерности субъективной оценкой общего состояния, функционирования эргатических систем / Г.М.

это может быть использовано для Зараковский, В.В. Павлов. - М.: Радио и связь, корректирования самочувствия, активности 1987.-232с.

и настроения человека, например, аудио, 5.Марочкин Н.В. Способ непрерывного контроля двигательной активности человека. Патент видео, текстовой информацией из №2422085 от 27.06.2011.

индивидуально подобранной базы данных.

6.Батаршев, А.В. Психология индивидуальных различий: от темперамента – к характеру и Список литературы типологии личности / А.В. Батаршев.- М.:

Гуманитарный издательский центр Владос, 2000. - 1.Вогралик, В.Г. Можно ли продлить жизнь / В.Г. 256с.

Вогралик. - Нижний Новгород: Нижегородский гуманитарный центр, 1997. - 157с.

Материалы XVI Международной конференции по нейрокибернетике BCI НА ОСНОВЕ ВООБРАЖАЕМЫХ ОБРАЗОВ И УСТРАНЕНИЕ ИЗБЫТОЧНОСТИ ЭЭГ ПО ВЫСОКОЧАСТОТНОЙ СОСТАВЛЯЮЩЕЙ Е.А.Марченко, М.К. Бахнян ВМК, Физфак МГУ им. М.В.Ломоносова, Ленинские горы, МГУ, 2-й учебный корп., корп. Физфака, Москва, 119991, Россия.

zhenyamarchenko@mail.ru, mike@neurog.com This paper examines the task of recognizing EEG Первое свидетельствует о существовании patterns that correspond to implementation of related сильной связи между «соседними» mental tasks: imagination of faces and houses. Most электродами, что явно обусловлено efforts are aimed at finding a helpful feature space.

приблизительно равным расстоянием до The second part discusses the possibility of eliminating data redundancy on the basis of high-frequency активных областей мозга. Второе очень component.

хорошо объясняется дипольной моделью активности мозга[1]. Для решения задачи Введение определения пространственной зависимости между показаниями В работе исследуется возможность электродов и активностями отдельных разделения активности, вызванной областей мозга предлагается использовать различными визуальными стимулами высокочастотную составляющую сигнала (предъявленными либо воображаемыми ЭЭГ. На её основе записанный изображениями). Более подробно многомерный сигнал S представляется в изучается подход, основанный на виде S(t) = R·A(t), где R – индивидуальная выделении небольшого числа для каждого человека матрица, «состояний». В его рамках осуществлялся описывающая связь между активностями поиск такого признакового пространства, обособленных областей мозга A(t) и в котором показаниями электродов. Такое • будут хорошо разделяться на два разложение позволяет понизить класса сигналы из обучающей выборки размерность, уменьшить взаимную • не возникнет излишнего корреляцию каналов, ослабить влияние переобучения.

шума.

Параллельно проверяется гипотеза о том, что два варианта эксперимента вызывают Методы достаточно схожую активность.

Даже при первом знакомстве с Во всех экспериментах используется один записываемой ЭЭГ становится очевидно, и тот же набор данных, записанных с что отдельные каналы очень сильно одного человека с использованием коррелированны (>90% для некоторых энцефалографа Emotiv Epoc (16 каналов, пар), что явно говорит об избыточности 14 информативных, запись производится с записываемых данных. Если вычислить частотой 128 Гц). Задания предоставлены корреляцию в достаточно узких частотных проектом NeuroG и схожи с диапазонах, то окажется, что использованными в [2].

• корреляция для сигналов Испытуемый в течение 10 секунд видел отдельных пар близко расположенных одно из двух изображений (лицо/дом), электродов может превышать 98% после чего производилась запись ЭЭГ. В первый день эксперимента изображение • есть такие каналы (O1), которые в оставалось на экране на всё время записи, широком диапазоне частот имеют эти данные образовали обучающую отрицательную корреляцию почти со выборку. Во второй день изображение всеми другими каналами (возможно, убиралось, вместо него испытуемый видел кроме ближайших).

небольшой круг на черном экране. Эти 2-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «ИНТЕРФЕЙС “МОЗГ-КОМПЬЮТЕР”» энцефалограммы вошли в тестовую «базового» классификатора. Точность для выборку. Каждая запись длилась 4 Задачи 1 соответствует результату работы секунды. 10-fold CV на обучающей выборке, задачи Всего в обучающую выборку вошло по 2 – работы настроенного по обучению 100 ЭЭГ на каждое изображение, в классификатора на тестовой выборке тестовую – по 33.

Используется подход, основанный на Результаты применения kNN в разных предложенном в работе [3] (используется признаковых пространствах другое базовое признаковое пространство): Признаковое Задача Задача • динамические данные разбиваются пространство 1 на короткие интервалы (по полсекунды).

СП формируются 68% 54% Каждый интервал по очереди методом k-means обрабатывается 7 операторами, не изменяющими его длину (сглаживание, ДП на основе этих СП 59% 57% детрендизация, etc). Для каждого варианта вычисляются 7 признаков (среднее, СП формируются с 79% 58% дисперсия, etc) помощью ГА • эти 49 признаков формируют базовое признаковое пространство.

ДП на основе этих СП 74% 62% Значения этих признаков на каждом из интервалов образуют микросостояние Базовое признаковое 67% 64% • микросостояния объединяются в пространство статические паттерны (методом кластеризации k-means или с Эти результаты очень близки к привлечением генетических алгоритмов).

полученным в [2].

• Классификация производится на В соответствии с задачей, матрица основе вектора статических паттернов и пространственной зависимости R «индексов активности» коротких определяется по сигналу S(t) и тем динамических паттернов (упорядоченных ограничениям, которые мы накладываем пар статических паттернов).

на активность A(t). В работе предложены Отличительной особенностью такого ряд подобных ограничений, а также подхода является то, что подавляющая методы контроля получаемых результатов.

часть вычислений производится на этапе Что важно, эти правила не фиксированы в предварительной обработки обучающей методе, поэтому каждый исследователь выборки, а в полученном признаковом может самостоятельно выбирать пространстве любой классификатор требования к A(t) в соответствии со быстро обучается и работает своими задачами.

Существенного улучшения удалось добиться, объединяя каналы в один более Выводы длинный одномерный сигнал. Это можно связать со значительным уменьшением Удалось проверить, что задача в принципе размерности промежуточных задач и решается с некоторой точностью. Хотя разрушением зависимостей, вызванных подход с выделением состояний ведет к близким расположением электродов.

переобучению, более аккуратное разбиения пространства на статические Полученные результаты паттерны улучшает результат работы классификатора. В то же время, На доступных данных для каждого рассмотренная задача (2 изображения) на полученного признакового пространства сопоставимом уровне решается в базовом определялось качество работы некоторого признаковом пространстве. С одной Материалы XVI Международной конференции по нейрокибернетике стороны, это говорит о принципиальной улучшить работу классификатора на разрешимости задачи даже не слишком подобных данных. В зависимости от сложными методами. С другой – о конкретной задачи, это явление можно недостаточной информативности считать как переобучением, так и более использованных динамических паттернов тонкой настройкой.

длины 2.

Список литературы Обычно отбрасываемую информацию 1. Федулова И.А. Разработка математических (высокие частоты сигнала) можно моделей для задач биомедицины / Дисс. На использовать для улучшения качества соискание уч. степ. канд. физ.-мат. наук по спец. « других частотных диапазонов. Возникают ХХХХ. 2007.

справедливые опасения, что помимо чисто 2. Bobrov P, Frolov A, Cantor C, Fedulova I, пространственной зависимости будут Bakhnyan M, et al. (2011) Brain-Computer Interface Based on Generation of Visual Images. PLoS ONE учтены и некоторые особенности 6(6): e20674. doi:10.1371/journal.pone.одновременности активации отдельных 3. Скругин В.И. Трофимов А.Г. Адаптивный областей мозга. Это негативно скажется на классификатор многомерных нестационарных переносимость полученного результата на сигналов на основе анализа динамических существенно новые данные. С другой паттернов // Наука и образование. Электронное научно-техническое издание, (8), август 2010.

Pages:     | 1 |   ...   | 6 | 7 || 9 | 10 |   ...   | 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.