Классификация электроэнцефалографических паттернов воображаемых движений пальцами руки для разработки интерфейса мозг-компьютер
Ключевые слова:
кинестетическое воображение, пальцы одной руки, электроэнцефалограмма, комитет искусственных нейронных сетей, метод опорных векторов на основе радиальной базисной функции, одиночные пробы, интерфейс мозг-компьютерАннотация
В работе приводятся результаты классификации электроэнцефалографических (ЭЭГ) паттернов кинестетического воображения движений пальцами и кистью одной руки в заданном ритме на основе метода опорных векторов и разработанного комитета искусственных нейронных сетей. Показано, что точность попарной классификации ЭЭГ-паттернов воображаемых движений с использованием комитета искусственных нейронных сетей в среднем была выше, чем при использовании классификатора на основе метода опорных векторов. Выявлена возможность увеличения точности распознавания воображаемых движений мелкой моторики при использовании индивидуального подхода к выбору параметров классификации паттерна ЭЭГ сигнала.
Литература
1. Ганин И. П., Каплан А. Я. Интерфейс мозг компьютер на основе волны p300: предъявление комплексных стимулов “подсветка + движение” // Журнал высшей нервной деятельности. 2014. Т.64. № 1. С. 32–40.
2. Фролов А.А., Рощин В.Ю. Интерфейс мозг-компьютер. Реальность и перспективы // Научная конференция по нейроинформатике МИФИ 2008. Лекции по нейроинформатике. 2008. URL: http://neurolectures.narod.ru/2008/Frolov-2008.pdf (дата обращения 19.02.2014).
3. Lotte F., Congedo M., Lecuyer A. et al. Review of classification algorithms for EEG-based brain-computer interfaces // Journal of Neural Engineering. 2007. vol. 4. pp. 1–24.
4. Xiao R., Ding L. Evaluation of EEG features in decoding individual finger movements from one hand // Computational and Mathematical Methods in Medicine. 2013. vol. 2013. 10 p. URL: http://www.hindawi.com/journals/cmmm/2013/243257 (дата обращения 20.04.2014)
5. Quandt F., Reichert C., Hinrichs H., Heinze H.J., Knight R.T., Rieger J.W. Single trial discrimination of individual finger movements on one hand: A combined MEG and EEG study // NeuroImage. 2012. vol. 59. pp. 3316–3324.
6. Sonkin KM, Stankevich LA, Khomenko JG, Nagornova ZV, Shemyakina NV. Development of electroencephalographic pattern classifiers for real and imaginary thumb and index finger movements of one hand // Artificial intelligence in medicine. 2014. vol. 63. Issue 2. pp. 107–117.
7. Neuper C, Scherer R, Reiner M, Pfurtscheller G. Imagery of motor actions: differential effects of kinesthetic and visual-motor mode of imagery in single- trial EEG // Cognitive Brain Research. 2005. vol. 25. pp 668–677.
8. Jasper H. The ten-twenty electrode system of the International Federation // Electroencephalogr Clin Neurophysiol. 1958. no. 10. pp. 371–377.
9. Wang L, Wu X.-P. Classification of four-class motor imagery EEG data using spatial filtering // Bioinformatics and Biomedical Engineering (ICBBE 2008). The 2nd International Conference on IEEE eXpress Conference Publishing. Piscataway. NJ. USA. 2008. pp. 2153–2156.
10. Ge S, Wang R, Yu D. Classification of four-class motor imagery employing single-channel electroencephalography // PLoS One. 2014. vol. 9(6).
11. Efron B. Bootstrap Methods: Another Look at the Jackknife // Annals of Statistics. 1979. vol. 7. no. 1. pp. 1–26.
12. Cortes C, Vapnik V.N. Support-Vector Networks // Machine Learning. 1995. vol. 20(3). pp. 273–297.
13. Shawe-Taylor J., Cristianini N. Kernell methods for pattern analysis. Cambridge University Press. 2004. URL: http://www.kernel-methods.net/ (дата обращения 19.02.2014).
14. Chang C.-C., Lin C.-J. LIBSVM: a library for support vector machines //ACM Transactions on Intelligent Systems and Technology. 2011. vol. 2(27). pp. 1–27. URL: http://www.csie.ntu.edu.tw/~cjlin/libsvm (дата обращения 12.02.2014).
15. Сонькин К.М., Станкевич Л.А., Хоменко Ю.Г., Нагорнова Ж.В., Шемякина Н.В. Классификация электроэнцефалографических паттернов воображаемых и реальных движений пальцев одной руки методом опорных векторов // Тихоокеанский медицинский журнал. 2014. Т. 2. С. 30–35.
2. Фролов А.А., Рощин В.Ю. Интерфейс мозг-компьютер. Реальность и перспективы // Научная конференция по нейроинформатике МИФИ 2008. Лекции по нейроинформатике. 2008. URL: http://neurolectures.narod.ru/2008/Frolov-2008.pdf (дата обращения 19.02.2014).
3. Lotte F., Congedo M., Lecuyer A. et al. Review of classification algorithms for EEG-based brain-computer interfaces // Journal of Neural Engineering. 2007. vol. 4. pp. 1–24.
4. Xiao R., Ding L. Evaluation of EEG features in decoding individual finger movements from one hand // Computational and Mathematical Methods in Medicine. 2013. vol. 2013. 10 p. URL: http://www.hindawi.com/journals/cmmm/2013/243257 (дата обращения 20.04.2014)
5. Quandt F., Reichert C., Hinrichs H., Heinze H.J., Knight R.T., Rieger J.W. Single trial discrimination of individual finger movements on one hand: A combined MEG and EEG study // NeuroImage. 2012. vol. 59. pp. 3316–3324.
6. Sonkin KM, Stankevich LA, Khomenko JG, Nagornova ZV, Shemyakina NV. Development of electroencephalographic pattern classifiers for real and imaginary thumb and index finger movements of one hand // Artificial intelligence in medicine. 2014. vol. 63. Issue 2. pp. 107–117.
7. Neuper C, Scherer R, Reiner M, Pfurtscheller G. Imagery of motor actions: differential effects of kinesthetic and visual-motor mode of imagery in single- trial EEG // Cognitive Brain Research. 2005. vol. 25. pp 668–677.
8. Jasper H. The ten-twenty electrode system of the International Federation // Electroencephalogr Clin Neurophysiol. 1958. no. 10. pp. 371–377.
9. Wang L, Wu X.-P. Classification of four-class motor imagery EEG data using spatial filtering // Bioinformatics and Biomedical Engineering (ICBBE 2008). The 2nd International Conference on IEEE eXpress Conference Publishing. Piscataway. NJ. USA. 2008. pp. 2153–2156.
10. Ge S, Wang R, Yu D. Classification of four-class motor imagery employing single-channel electroencephalography // PLoS One. 2014. vol. 9(6).
11. Efron B. Bootstrap Methods: Another Look at the Jackknife // Annals of Statistics. 1979. vol. 7. no. 1. pp. 1–26.
12. Cortes C, Vapnik V.N. Support-Vector Networks // Machine Learning. 1995. vol. 20(3). pp. 273–297.
13. Shawe-Taylor J., Cristianini N. Kernell methods for pattern analysis. Cambridge University Press. 2004. URL: http://www.kernel-methods.net/ (дата обращения 19.02.2014).
14. Chang C.-C., Lin C.-J. LIBSVM: a library for support vector machines //ACM Transactions on Intelligent Systems and Technology. 2011. vol. 2(27). pp. 1–27. URL: http://www.csie.ntu.edu.tw/~cjlin/libsvm (дата обращения 12.02.2014).
15. Сонькин К.М., Станкевич Л.А., Хоменко Ю.Г., Нагорнова Ж.В., Шемякина Н.В. Классификация электроэнцефалографических паттернов воображаемых и реальных движений пальцев одной руки методом опорных векторов // Тихоокеанский медицинский журнал. 2014. Т. 2. С. 30–35.
Опубликован
2015-06-15
Как цитировать
Станкевич, Л. А., Сонькин, К. М., Нагорнова, Ж. В., Хоменко, Ю. Г., & Шемякина, Н. В. (2015). Классификация электроэнцефалографических паттернов воображаемых движений пальцами руки для разработки интерфейса мозг-компьютер. Труды СПИИРАН, 3(40), 163-182. https://doi.org/10.15622/sp.40.11
Раздел
Статьи
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
