В последние годы в области интерфейсов мозг-компьютер (BCI) наблюдается значительный рост благодаря развитию новых методов машинного обучения и технологий на основе ЭЭГ. Здесь мы рассмотрим некоторые из самых последних исследований в области НКИ, уделяя особое внимание методам глубокого обучения, методам машинного обучения и их применению в НКИ на основе ЭЭГ.

«Глубокое обучение с помощью сверточных нейронных сетей для декодирования и визуализации ЭЭГ» Ширрмайстера и др. (2017)[1]. В этой статье исследуется использование методов глубокого обучения, в частности сверточных нейронных сетей (CNN), для декодирования и визуализации ЭЭГ. В исследовании использовались несколько архитектур CNN, в том числе EEGNet, ShallowConvNet, DeepConvNet и гибридная архитектура, сочетающая в себе функции EEGNet и DeepConvNet. EEGNet — это относительно простая CNN, разработанная специально для данных ЭЭГ и включающая пространственную фильтрацию и свертки с разделением по глубине. ShallowConvNet имеет похожую архитектуру, но с большим количеством слоев и более сложной конструкцией фильтров. DeepConvNet, как следует из названия, представляет собой более глубокую и сложную архитектуру CNN, предназначенную для декодирования ЭЭГ.

Результаты исследования показали, что гибридная архитектура, сочетающая функции EEGNet и DeepConvNet, превзошла другие архитектуры CNN, достигнув средней точности классификации 91,54% для обоих наборов данных ЭЭГ. В частности, гибридная архитектура достигла точности 92,34 % в наборе данных изображений движений и 90,75 % в наборе данных визуальных чудаков. Исследование также показало, что CNN в целом превосходят традиционные методы машинного обучения, такие как машины опорных векторов (SVM) и случайные леса.

Исследование, проведенное Ширмейстером и соавт. предполагает, что CNN являются многообещающим подходом для декодирования ЭЭГ и могут значительно повысить точность систем BCI. Использование специфичных для ЭЭГ архитектур CNN, таких как EEGNet, может еще больше повысить производительность этих моделей. Эти результаты имеют важное значение для разработки систем НКИ, которые могут улучшить жизнь людей с ограниченными возможностями или неврологическими расстройствами, потенциально открывая новые возможности для исследований и разработок в области НКИ.

«Расширенные методы машинного обучения для взаимодействия мозг-компьютер» Z. Lv et al. (2020) представляет всесторонний обзор использования методов глубокого обучения при анализе сигналов ЭЭГ [2]. Авторы начинают с краткого введения в область BCI, целью которой является установление прямого пути связи между мозгом и внешним устройством. Они обсуждают, как BCI могут помочь людям с двигательными нарушениями управлять внешними устройствами, используя сигналы своего мозга. Затем они подчеркивают необходимость точных и эффективных систем BCI и роль, которую алгоритмы машинного обучения могут сыграть в достижении этой цели.

В документе рассматриваются различные темы, связанные с BCI, включая обработку сигналов, извлечение признаков и классификацию. Авторы обсуждают, как различные алгоритмы машинного обучения, такие как глубокое обучение, машины опорных векторов (SVM) и случайные леса, использовались в исследованиях BCI. В них описываются преимущества и ограничения каждого алгоритма и приводятся примеры их применения в BCI.

Авторы также обсуждают некоторые проблемы, связанные с BCI, такие как ограниченный объем доступных обучающих данных и необходимость процесса в реальном времени. Одной из таких проблем является ограниченный объем доступных обучающих данных, что может повлиять на точность и надежность системы BCI. Еще одной проблемой является необходимость обработки в реальном времени, поскольку задержки в обработке сигналов мозга могут привести к замедлению или неправильному управлению устройством. Авторы предлагают возможные решения этих проблем, такие как трансферное обучение и активное обучение, которые могут помочь преодолеть ограниченный объем обучающих данных и повысить эффективность систем BCI.

Одним из ключевых результатов исследования было то, что методы глубокого обучения были эффективны при удалении артефактов и извлечении признаков из ЭЭГ. Авторы цитируют несколько исследований, в которых CNN использовались для удаления артефактов движения глаз из сигналов ЭЭГ и достигли точности более 98%. В другом исследовании использовалась CNN для извлечения признаков из сигналов MEG для прогнозирования когнитивных состояний с достижением точности более 90%.

Авторы также обсуждают различные применения глубокого обучения в обработке сигналов ЭЭГ и МЭГ, такие как обнаружение потенциала, связанного с событием (ERP), классификация воображения движения и распознавание эмоций. Они обнаружили, что алгоритмы глубокого обучения неизменно превосходят традиционные методы машинного обучения в этих приложениях, достигая более высокой точности и эффективности.

В исследовании подчеркивается потенциал глубокого обучения, который может произвести революцию в области нейронауки и внести вклад в разработку более эффективных технологий интерфейса мозг-компьютер (BCI). Авторы отмечают, что алгоритмы глубокого обучения особенно хорошо подходят для анализа сложных многомерных данных ЭЭГ и МЭГ и могут дать новое представление о функциях и дисфункциях мозга.

Однократный анализ ЭЭГ в режиме реального времени — еще одна область исследований, в которой в последние годы наблюдается значительный рост. В «Машинном обучении для однократного анализа ЭЭГ в реальном времени: от взаимодействия между мозгом и компьютером до мониторинга психического состояния» Мюллера и соавт. (2008), авторы демонстрируют потенциал анализа ЭЭГ в реальном времени для приложений BCI. В исследовании сравнивалась производительность нескольких алгоритмов машинного обучения, включая логистическую регрессию, машины опорных векторов и случайные леса, для задач классификации ЭЭГ с одной попыткой. Результаты показали, что алгоритм случайных лесов превзошел другие алгоритмы, достигнув средней точности классификации 81,6%. Это важно, потому что демонстрирует потенциал использования алгоритмов машинного обучения для анализа ЭЭГ в реальном времени в приложениях, взаимодействующих между мозгом и компьютером.

Исследование также продемонстрировало использование мониторинга психического состояния на основе ЭЭГ для мониторинга когнитивной нагрузки и усталости водителя. В частности, авторы обнаружили, что функции ЭЭГ можно использовать для точного прогнозирования уровней когнитивной нагрузки и выявления усталости водителя в эксперименте на симуляторе вождения. Использование мониторинга психического состояния на основе ЭЭГ имеет значительный потенциал в таких приложениях, как безопасность вождения, безопасность на рабочем месте и других сценариях реального мира, где мониторинг психического состояния может улучшить производительность и предотвратить несчастные случаи.

В целом, документы в совокупности предоставляют убедительные доказательства того, что глубокое обучение может произвести революцию в области нейробиологии и внести свой вклад в разработку более эффективных технологий интерфейса мозг-компьютер (BCI). В документах подчеркивается эффективность методов глубокого обучения, в частности сверточных нейронных сетей (CNN), рекуррентных нейронных сетей (RNN) и автоэнкодеров, при анализе сигналов ЭЭГ и МЭГ и извлечении полезных функций для различных приложений, таких как потенциал, связанный с событием (ERP). обнаружение, классификация двигательных образов, распознавание эмоций и мониторинг психического состояния. Эти документы предполагают, что глубокое обучение может значительно улучшить наше понимание мозга и дать новое представление о функциях и дисфункциях мозга. Поскольку методы глубокого обучения продолжают развиваться, ожидается, что они будут играть все более важную роль в разработке более сложных и эффективных технологий BCI.

Ссылки

[1] Ширрмейстер, Р.Т., Спрингенберг, Дж.Т., Фидерер, Л.Д.Дж., Гласстеттер, М., Эггеншпергер, К., Тангерманн, М., Хаттер, Ф., Бургард, В. и Болл, Т. (2017), Глубокое обучение со свёрточными нейронными сетями для расшифровки и визуализации ЭЭГ. Гум. Карта мозга., 38: 5391–5420. https://doi.org/10.1002/hbm.23730

[2] Z. Lv, L. Qiao, Q. Wang и F. Piccialli, «Расширенные методы машинного обучения для взаимодействия мозг-компьютер», в IEEE/ACM Transactions on Computational Biology and Bioinformatics, об. 18, нет. 5, стр. 1688–1698, 1 сент.-окт. 2021 г., doi: 10.1109/TCBB.2020.3010014.

[3] Мюллер, Клаус-Роберт и Тангерманн, Михаэль и Дорнхеге, Гвидо и Крауледат, Матиас и Курион, Габриэль и Бланкерц, Бенджамин. (2008). Машинное обучение для однократного анализа ЭЭГ в режиме реального времени: от интерфейса мозг-компьютер до мониторинга психического состояния. Журнал методов нейробиологии. 167. 82–90. 10.1016/j.jneumeth.2007.09.022.