Распознавание моторных образов на электроэнцефалограммах с применением свёрточных нейронных сетей

Распознавание моторных образов на электроэнцефалограммах с применением свёрточных нейронных сетей

Автор: Брагин Александр Дмитриевич, Спицын Владимир Григорьевич

Журнал: Компьютерная оптика @computer-optics

Рубрика: Численные методы и анализ данных

Статья в выпуске: 3 т.44, 2020 года.

Бесплатный доступ

Электроэнцефалография является широко распространенным методом для получения сигналов головного мозга, для снятия которых используются электроды, расположенные на поверхности головы. Такой метод регистрации мозговой активности стал популярен благодаря относительной дешевизне, компактности, а также из-за отсутствия необходимости имплантировать электроды непосредственно в мозг. Статья посвящена проблеме распознавания моторных образов по сигналам электроэнцефалограмм. Природа таких сигналов носит комплексный характер. Характеристики электроэнцефалограмм зависят от самого человека, его возраста, психического состояния, присутствия шумов и помех. При их анализе необходимо учитывать множество таких параметров. Искусственные нейронные сети являются хорошим инструментом в решении такого класса задач. Их применение позволяет объединить задачи извлечения, выбора и классификации признаков в одном блоке обработки сигналов. Электроэнцефалограммы представляют собой временные сигналы. Для представления таких сигналов в виде изображений применяются преобразования на основе матрицы Грама и Марковской матрицы перехода. В статье показана возможность применения этих преобразований для распознавания моторных образов на примере воображаемых движений правой и левой рукой, а также исследовано влияние разрешения получаемых изображений на точность классификации. Наилучшая точность классификации сигнала электроэнцефалограммы на классы движения и состояния покоя составляет порядка 99 %. Результаты исследований в дальнейшем могут быть применены при построении интерфейса мозг - компьютер.

Еще

Анализ изображений, распознавание образов, нейронные сети, электроэнцефалограмма, матрица грама, марковская матрица перехода, распознавание моторных образов, свёрточные нейронные сети

Короткий адрес: https://sciup.org/140250014

IDR: 140250014   |   DOI: 10.18287/2412-6179-CO-669

Список литературы Распознавание моторных образов на электроэнцефалограммах с применением свёрточных нейронных сетей

  • Sivakami, A. Analysis of EEG for motor imagery based classification of hand activities / A. Sivakami, S.Sh. Devi // International Journal of Biomedical Engineering and Science (IJBES). - 2015. - Vol. 2, Issue 3. - P. 11-22.
  • van Luijtelaar, G. Methods of automated absence seizure detection, interference bystimulation, and possibilities for prediction in genetic absence models / G. van Luijtelaar, A. Lüttjohann, V.V. Makarov, V.A. Maksimenko, A.A. Koronovskii, A.E. Hramov // Journal of Neuroscience Methods. - 2016. - Vol. 260. - P. 144-158.
  • Koronovskii, A.A. Coexistence of intermittencies in the neuronal network of the epileptic brain / A.A. Koronovskii, A.E. Hramov, V.V. Grubov, O.I. Moskalenko, E.Y. Sitnikova, A.N. Pavlov // Physical Review E. - 2016. - Vol. 93. - 032220. - DOI: 10.1103/PhysRevE.93.032220
  • Grubov, V.V. Demonstration of brain noise on human EEG signals in perception of bistable images / V.V. Grubov, A.E. Runnova, M.K. Kurovskaуa, A.N. Pavlov, A.A. Koronovskii, A.E. Hramov // Proceedings of SPIE. - 2016. - Vol. 9707. - 97070Z. - DOI: 10.1117/12.2207390
  • Hramov, A.E. Wavelets in neuroscience / A.E. Hramov, A.A. Koronovskii, V.A. Makarov, A.N. Pavlov, E.Y. Sitnikova. - Heidelberg, New York, Dordrecht, London: Springer, 2015. - 318 p.
  • Sotnikov, P. Bands of the electroencephalogram signal in eye-brain-computer interface / P. Sotnikov, K. Finagin, S. Vidunova // Procedia Computer Science. - 2017. - Vol. 103. - P. 168-175.
  • Vasilyev, A.N. Lateralization of EEG patterns in humans during motor imagery of arm movements in the brain-computer interface / A.N. Vasilyev, S.P. Liburkina, A.Y. Kaplan // Zhurnal Vysshei Nervnoi Deyatelnosti Imeni IP Pavlova. - 2016. - Vol. 66, No 3. - P. 302-312.
  • Maksimenko, V.A. Absence seizure control by a Brain computer interface / V.A. Maksimenko, S. Heukelum, V.V. Makarov, J. Kelderhuis, A. Lüttjohann, A.A. Koronovskii, A.E. Hramov, G. Luijtelaar // Scientific Reports. - 2017. - Vol. 7. - 2487.
  • Hsu, W. Application of neural network to brain-computer interface / W. Hsu, I. Chiang // 2012 IEEE International Conference on Granular Computing. - 2012. - P. 163-168. -
  • DOI: 10.1109/GrC.2012.6468559
  • Nakayama, K. A Brain computer interface based on neural network with efficient pre-processing / K. Nakayama, K. Inagaki // 2006 International Symposium on Intelligent Signal Processing and Communications. - 2006. - P. 673-676. -
  • DOI: 10.1109/ISPACS.2006.364745
  • Östberg, R. Robustness of a neural network used for image classification: The effect of applying distortions on adversarial examples. - Dissertation. - 2018.
  • Wang, Q. Adversary resistant deep neural networks with an application to malware detection / Q. Wang, W. Guo, K. Zhang, A.G. Ororbia, X. Xing, X. Liu, C. Lee Giles // Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. - 2017. - P. 1145-1153.
  • Yim, J. Enhancing the performance of convolutional neural networks on quality degraded datasets / J. Yim, K. Sohn // 2017 International Conference on Digital Image Computing: Techniques and Applications (DICTA). - 2017. - P. 1-8. -
  • DOI: 10.1109/DICTA.2017.8227427
  • Hatami, N. Classification of time-series images using deep convolutional neural networks / N. Hatami, Y. Gavet, J. Debayle // Proceedings of SPIE. - 2017. - Vol. 10696. - 106960Y. -
  • DOI: 10.1117/12.2309486
  • Wang, Z. Spatially encoding temporal correlations to classify temporal data using convolutional neural networks [Electronical Resource] / Z. Wang, T. Oates. - 2015. - URL: https://arxiv.org/abs/1509.07481 (request date 12.11.2019).
  • Wang, Z. Imaging time-series to improve classification and imputation / Z. Wang, T. Oates, // Proceedings of the 24th International Joint Conference on Artificial Intelligence. - 2015. - P. 3939-3945.
  • Wang, Z. Encoding time series as images for visual inspection and classification using tiled convolutional neural networks / Z. Wang, T. Oates // Association for the Advancement of Artificial Intelligence (AAAI) Conference. - 2015. - P. 40-46.
  • Lin, J. Experiencing SAX: a novel symbolic representation of time series / J. Lin, E. Keogh, L. Wei, S. Lonardi // Data Mining and Knowledge Discovery. - 2007. - Vol. 15, Issue 2. - P. 107-144.
  • Cho, H. EEG datasets for motor imagery brain-computer interface / H. Cho, M. Ahn, S. Ahn, M. Kwon, S.C. Jun // GigaScience. - 2017. - Vol. 6, Issue 7. - gix034. -
  • DOI: 10.1093/gigascience/gix034
  • Blankertz, B. The BCI competition 2003: Progress and perspectives in detection and discrimination of EEG single trials / B. Blankertz, K.R. Müller, G. Curio, T.M. Vaughan, G. Schalk, J.R. Wolpaw, A. Schlögl, C. Neuper, G. Pfurtscheller, T. Hinterberger, M. Schröder, N. Birbaumer // IEEE Transactions on Biomedical Engineering. - 2004. - Vol. 6, Issue 51. - P. 1044-1051.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp