Автокодировщик электрической активности головного мозга человека
Автор: Мещеряков Роман Валерьевич, Вольф Данияр Александрович, Туровский Ярослав Александрович
Рубрика: Математика
Статья в выпуске: 1 т.15, 2023 года.
Бесплатный доступ
С помощью искусственной нейронной сети и глубокого машинного обучения производится поиск скрытых параметров функции, описывающей электрическую активность головного мозга человека, полученную по методу электроэнцефалографии. Осуществляется формулировка задачи сжатия прикладной информации, необходимой для понижения размерности пространства признаков прикладных данных с целью дальнейшего получения модели искусственной нейронной сети - автокодировщика. Приводится новизна общего решения, освещаются теоретические аспекты и проблематика существующих методов сжатия. Исследуется экспериментальное получение модели автокодировщика с помощью прикладных данных - последовательностей ЭЭГ, содержащих зрительные вызванные потенциалы. Решение задачи сжатия проводится путем понижения размерности многомерного вектора, ассоциируемого с исследуемым образцом. C помощью полученного автокодировщика осуществляется кодирование исходного многомерного вектора в вектор меньшей размерности. С применением глубокого машинного обучения находится такая функция кодирования, что может быть выполнено обратное декодирование в исходный вектор. В итоге эмпирического подбора размерности вектора выбрана наилучшая экспериментальная модель автокодировщика, сжимающая пространство признаков, размерностью, равной 1260 (в исходном смысле ЭЭГ-сигналы длительностью 0,2 с) до пространства размерности, равного 24, с последующей возможностью реконструкции исходного сигнала с потерями не более 10 %.
Интерфейс «мозг-компьютер», электроэнцефалограмма, управление, уменьшение размерности признаков, вызванные потенциалы, автокодировщик, кодирование
Короткий адрес: https://sciup.org/147239474
IDR: 147239474 | DOI: 10.14529/mmph230104
Список литературы Автокодировщик электрической активности головного мозга человека
- Новиков, Д.А. Кибернетика 2.0 / Д.А. Новиков // Проблемы управления. – 2016. – № 1. – С. 73–81.
- Implementation of Robot–Human Control Bio-Interface when Highlighting Visual-Evoked Po-tentials Based on Multivariate Synchronization Index / S. Kharchenko, R. Meshcheryakov, Y. Turovsky, D. Volf // Smart Innovation, Systems and Technologies. – 2021. – Vol. 187. – С. 225–236.
- Гридин, Л.А. Методологические основы исследования физической работоспособности человека / Л.А. Гридин, А.В. Богомолов, Ю.А. Кукушкин // Актуальные проблемы физической под-готовки силовых структур. – 2011. – № 1. – С. 10–19.
- The Brain Computer Interface Cycle / M.V. Gerven, J. Farquhar, R. Schaefer et al. // Journal of Neural Engineering. – 2009. – Vol. 6, no. 4. – P. 1–10.
- Дворников, М.В. Технология синтеза законов управления человеко-машинными системами, эксплуатируемыми в условиях высокого риска гипоксических состояний человека / М.В. Дворников, Ю.А. Кукушкин, А.В. Богомолов, Т.В. Матюшев // Двойные технологии. – 2014. – № 1 (66). – С. 8–11.
- Исхакова, А.О. Неинвазивный нейрокомпьютерный интерфейс для управления роботом / А.О. Исхакова, Д.А. Вольф, А.Ю. Исхаков // Высокопроизводительные вычислительные системы и технологии. – 2021. – Т. 5, № 1. – С. 166–171.
- Гузий, А.Г. Теоретические основы функционально-адаптивного управления системами «человек–машина» повышенной аварийности / А.Г. Гузий, А.В. Богомолов, Ю.А. Кукушкин // Мехатроника, автоматизация, управление. – 2005. – № 1. – С. 39–45.
- Исхакова, А.О. Время-частотные преобразования в анализе паттернов нестационарных квазипериодических биомедицинских сигналов для задач идентификации акустических аномалий / А.О. Исхакова, М.Д. Алёхин, А.В. Богомолов // Информационно-управляющие системы. – 2020. – № 1 (104). – C. 15–23.
- Tishby, N. The information bottleneck method / N. Tishby, C.P. Fernando, B. William // ArXiv physics/0004057. – 2000.
- Chirp-Modulated Visual Evoked Potential as a Generalization of Steady State Visual Evoked Potential / T. Tao, X. Yi, G. Xiaorong, G. Shangkai // Journal of neural engineering. – 2011. – Vol. 9, no. 1. – 016008.
- Kwak, N.S. Toward Exoskeleton Control Based on Steady State Visual evoked potentials / N.S. Kwak, K.R. Müller, S.W. Lee // 2014 International Winter Workshop on Brain–Computer Inter-face, BCI 2014. – Gangwon, Korea, 2014.
- Diagnostic Value of Conventional Visual Evoked Potentials Applied to Patients With Multiple Sclerosis / R. Balnytė, I. Uloziene, D. Rastenytė et al. // Medicina. – 2011. – Vol. 47, Iss. 5. – P. 263–269.
- Markand, O. Visual Evoked Potentials / O. Markand // Clinical Evoked Potentials. – Springer, Cham., 2020. – pp. 83–137.
- Chaudhary, U. Brain-Machine Interface (BMI) in paralysis / U. Chaudhary, N. Birbaumer, M.R. Curado // Annals of Physical and Rehabilitation Medicine. – 2015. – Vol. 58, Iss. 1. – P. 9–13.
- Adversarial Neural Networks for Error Correcting Codes / H. Nguyen, S. Bottone, K. Kim et al. // 2021 IEEE Global Communications Conference (GLOBECOM), 7–11 December 2021, Madrid, Spain. – 2021.
- Diagnosing Parkinson by Using Deep Autoencoder Neural Network / U. Köse, O. Deperlioglu, J. Alzubi, B. Patrut // Deep Learning for Medical Decision Support Systems. Studies in Computational Intelligence. – Springer, Singapore, 2020. – Vol. 909. – P. 73–93.
- Semi-adversarial Networks: Convolutional Autoencoders for Imparting Privacy to Face Images / V. Mirjalili, S. Raschka, A. Namboodiri, A. Ross // 2018 International Conference on Biometrics (ICB). – IEEE, Gold Coast, QLD, Australia, 2018. – P. 82–89.