НАУКА и ОБРАЗОВАНИЕ

Файл статьи: SE-BMSTU...o234.pdf (1454.85Кб)

УДК 004.5

Россия,  МГТУ им. Н.Э. Баумана

В статье предлагается новый метод, позволяющий увеличить производительность интерфейсов мозг-компьютер (ИМК) благодаря учету индивидуальных особенностей пользователей. Идея метода заключается в автоматическом выборе наиболее информативных частотных диапазонов сигнала электроэнцефалограммы (ЭЭГ).  Критерием информативности служит точность разделения классов воображаемых движений. В первой части статьи исследуются различия в характеристиках сенсомоторных ритмов ЭЭГ между пользователями. Во второй части рассматривается математическая постановка задачи поиска оптимальных частотных диапазонов сигнала ЭЭГ. Задача поиска ставится, как задача однокритериальной оптимизации, в которой в качестве варьируемых параметров выступают границы частотных диапазонов, а в качестве целевой функции - оценка достижимой точности классификации. В следующих разделах предлагается искать решение поставленной задачи с помощью генетического алгоритма. В последнем разделе выполняется сравнение эффективности рассматриваемого метода с методами, предложенными в других публикациях, в том числе, с методом выделения характерных признаков на основе оценки энергии сигнала ЭЭГ в классических частотных диапазонах. В качестве тестовых данных используются записи ЭЭГ, предоставленные для проведения соревнования «BCI Competition IV». В заключение обсуждаются основные результаты работы и направления дальнейших исследований.

1. Dornhege G., Millan J. del R., Hinterberger T., McFarland D.J., Muller K.-R., eds. Toward Brain-Computer Interfacing. A Bradford book. The MIT Press, 2007. 520 p .
2. Зенков Л.Р. Клиническая электроэнцефалография (с элементами эпилептологии). Руководство для врачей. 3-е изд. М.: МЕДпрессинформ, 2004. 368 с.
3. Ang K.K., Chin Z.Y., Zhang H., Guan C. Filter Bank Common Spatial Pattern (FBCSP) in Brain-Computer Interface // Proceedings of the IEEE International Joint Conference on Neural Networks (IJCNN'08). Hong Kong. IEEE Publ., 2008. P. 2391-2398. DOI: 10.1109/IJCNN.2008.4634130
4. Chin Z.Y., Ang K.K., Wang C., Guan C. Multi-class Filter Bank Common Spatial Pattern for Four-Class Motor Imagery BCI // 31st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2009). Minneapolis, Minnesota, USA. IEEE Publ., 2009. P. 571-574. DOI: 10.1109/IEMBS.2009.5332383
5. Thomas K.P., Guan C., Tong Lau C. Adaptive tracking of discriminative frequency components in electroencephalograms for a robust brain–computer interface // Journal of Neural Engineering. 2011. Vol. 8, no. 3. P. 1-15. DOI:10.1088/1741-2560/8/3/036007
6. Billinger M., Kaiser V., Neuper C., Brunner C. Automatic frequency band selection for BCIs with ERDS difference maps // Proceedings of the Fifth International Brain-Computer Interface Conference. Graz, 2011. P. 44-47.
7. Schomer D.L., da Silva F.H.L., eds. Niedermeyer's Electroencephalography: Basic Principles, Clinical Applications, and Related Fields. 6th ed. Lippincott Williams & Wilkins, 2011. 1296 p.
8. Chui C.K. An Introduction to Wavelets. Vol. 1. San Diego: Academic Press, 1992. 265 p.
9. Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой: учеб. пособие. М.: Изд-во МГТУ им. Н.Э. Баумана, 2014. 446 с.
10. Chen P.H., Lin C.J., Scholkopf B. A tutorial on ν-support vector machines // Applied Stochastic Models in Business and Industry. 2005. Vol. 21, iss. 2. P. 111-136. DOI:10.1002/asmb.537
11. Сотников П.И. Обзор методов обработки сигнала электроэнцефалограммы в интерфейсах мозг-компьютер // Инженерный вестник. МГТУ им. Н.Э. Баумана. Электрон. журн. 2014. № 10. С. 612-632. Режим доступа: http://engbul.bmstu.ru/doc/739934.html (дата обращения 01.05.2015).
12. Brunner C., Leeb R., Müller-Putz G. BCI Competition 2008 - Graz data set B // BBCI: Berlin Brain-Computer Interface: website. Режим доступа:http://www.bbci.de/competition/iv/ (дата обращения 01.05.2015).
13. Carletta J. Assessing agreement on classification tasks: The kappa statistic // Computational Linguistics. 1996. Vol. 22, no. 2. P. 249-254.