Имени М. В. Ломоносова Биологический факультет



страница2/8
Дата27.10.2016
Размер0.52 Mb.
Просмотров384
Скачиваний0
ТипКурсовая
1   2   3   4   5   6   7   8

Цель и задачи работы


Целью данной работы была оценка эффективности использования в P300 ИМК комплексных стимулов «подсветка + начало движения» и выявление возможных ограничений стимульной среды для такого ИМК.

Работа включала в себя решение следующих задач:



  1. Сравнить компоненты потенциалов, связанных с событиями и точность при работе в ИМК со «стандартными» стимулами-подсветками, с комплексными стимулами «подсветка + движение», и стимулами только с движением.

  2. Сравнить в указанных трех режимах стимуляции компоненты ERP и точность при близком расположении стимулов и разнесении всех стимулов друг от друга за границы фовеальной области зрения.



ОБЗОР ЛИТЕРАТУРЫ

Общая схема интерфейса мозг-компьютер «на волне P300»


Впервые основанный на oddball (англ. “чудак”) парадигме интерфейс предложили Farwell и Donchin (1988). Классический интерфейс представляет собой квадратную матрицу размера 6×6 с буквами и знаками. Чтобы напечатать букву, испытуемый должен сконцентрировать внимание (то есть мысленно считать подстветки) на одной из клеток матрицы, в то время как строки и столбцы матрицы подсвечиваются в псевдослучайном порядке. При таких условиях возможно выделить положительное отклонение потенциала с латентным временем около 300 мс от предъявления стимула – так называемый P300, или P3. Всего последовательность подсветок состоит из 12 варинатов подсветок (6 горизонтальных и 6 вертикальных), две из которых являются целевыми. Принадлежность подсветок к группе целевых или нецелевых определяется некоторым механизмом классификации на основе характеристик изменений потенциала, и по пересечению максимальных значений выхода классификатора для «вертикальных» и «горизонтальных» подсветок определяется символ, на котором концентрировал внимание испытуемый. Цикл подстветок повторяется N раз для каждого знака, тем самым снижая влияние шума. При таком дизайне эксперимента авторы достигли скорости передачи информации 12,0 бит/мин или 2.3 знака/мин.

Низкое пространственное разрешение ЭЭГ и наложение большого числа колебаний от разных источников значительно затрудняют выделение ERP из фоновой ЭЭГ. Один из традиционно используемых подходов к решению этой проблемы – это алгебраическое усреднение. При этом предполагается, что форма потенциала постоянна для данного испытуемого и для данных условий, то есть реакция закреплена во времени (time-locked), а спонтанная ЭЭГ и артефакты не подчиняются какому-либо закону и при усреднении равновероятные положительные и отрицательные отклонения дадут ноль. Необходимость многократного предъявления стимулов и усреднения волн ERP являются существенным ограничением для скорости работы ИМК.

Дизайн P3 ИМК подразумевает применение к последовательности случайных событий (эпох) механизма классификации, определяющего принадлежность события к одной из двух категорий: "целевых" и "нецелевых". В вышеупомянутой работе Farwell и Donchin использовали 4 различных алгоритма для классификации эпох: вычисление амплитуд пиков, площади под кривой, ковариации и пошаговый линейный дискриминантный анализ (SWLDA).

Амплитуды пиков определялись как разность между точкой достижения наибольшей положительной амплитуды в окне P300 (220-500 мс) и точкой наибольшего отрицательного отклонения перед вышеуказанным временным окном. Площадь под кривой вычислялась как сумма точек во временном окне P300.

Метод ковариации основывается на построеннии в тренировочном режиме усредненной формы потенциала и последующим вычислением ковариации между каждой индивидуальной эпохой и «модельной» волной.

SWLDA это модификация Фишеровского линейного дискриминатного анализа (LDA), также активно используемого в дизайне ИМК. Основная идея LDA заключается в том, чтобы найти проекцию N-мерного пространства признаков на одномерное пространство wTf, для которого отношение межклассовой дисперсии к внутриклассовой максимально. Эта проекция определяется формулой , где Σ – ковариации и μ – средние значения для двух классов, названных здесь «+1» и «-1». SWLDA производит ту же самую операцию, но при этом на каждом шаге добавляет в модель или удаляет их нее переменные (характеристики) в зависимости от их статистической значимости (вклада) для регрессии, давая на выходе модель, которая подстраивается под индивидуальные данные, используемые для построения классификатора.

В работе Farwell, Donchin наилучшие разультаты были достигнуты с использованием SWLDA при межстимульном интрвале 125 мс для трех из четырех испытуемых, в то время как для 500 мс оптимальным оказалось вычисление амплитуды пиков.

Помимо вышеупомянутных алгоритмов были предложены и другие методы классификации: линейный дискриминантный анализ Байеса (BLDA), Linear Support Vector Machine, Nonlinear Support Vector Machine, Artificial Neural Network и другие. В одной из работ по сравнению эффективности различных алгоритмов классификации на пациентах было показано, чтс помощью наилучший результат достигается BLDA, затем следуют различные варианты SVM и LDA, при чем линейные классификаторы дают более высокие результаты, чем нелинейные (Manyakov et al., 2011).

Снижение числа предъявлений стимула может заметно увеличить скорость, но при этом уменьшается точность работы, так как на ЭЭГ на интересующую нас волну накладывается изменения потенциала, отражающие не связанную с заданием активность нейронов, и артефакты различного, например, окулографического или миографического, происхождения.

Для детекции одиночных ERP используют "определение характеристик" (feature extraction) - это подход, нацеленный не на моделирование цельной волны ERP, а выделение отдельных ее характеристик, наиболее точно отражающих намерение пользователя. То есть ищется подпространство, дающее наиболее точное предсказание соответствия между набором проекций и набором T принадлежностей наблюдений к классам .





Поделитесь с Вашими друзьями:
1   2   3   4   5   6   7   8


База данных защищена авторским правом ©nethash.ru 2017
обратиться к администрации

войти | регистрация
    Главная страница


загрузить материал