Theses
Theses
Sonja Grđan
Primjena metoda strojnog učenja za sučelje mozak–računalo temeljeno na elektroencefalografskim signalima
Application of Machine Learning Methods for EEG-Based Brain-Computer Interface
2012
Graduate
Jan Šnajder
FER
FER2
474
71
HR
Sučelje mozak–računalo predstavlja izravan komunikacijski put između mozga i računala, u kojem se moždana aktivnost obrađuje i klasificira tako da omogućuje prevođenje namjera korisnika u strojne naredbe. Moždana aktivnost za ovu se svrhu često snima elektroencefalografijom, koja rezultira visokodimenzionalnim i nestacionarnim podacima s velikom količinom šuma, dok istovremeno sadrže mali broj primjera, što su osobine s kojima bi se strojno učenje moglo dobro nositi. U ovom radu izrađeno je zavisno offline sučelje mozak–računalo namijenjeno sinkroniziranom protokolu prikazivanja podražaja, koje koristi egzogene potencijale izazvane prikazivanjem titrajućih šahovnica. Dobiveni EEG-signali obrađeni su brzom Fourierovom transformacijom, pa su takvi podaci korišteni kao primjeri za učenje pomoću kojih su izrađeni modeli za klasifikaciju. Usporedba različitih kombinacija metoda za ekstrakciju značajki i algoritama klasifikacije pokazala je da najbolje rezultate postiže odabir značajki omotačem uz klasificiranje strojem s potpornim vektorima (točnost 90%, F1-mjera 0.89), te odabir značajki omotačem uz klasificiranje višeslojnim perceptronom (točnost također 90%, F1-mjera 0.89). Korištenje apstraktnih i konkretnih pojmova kao podražaja nije se pokazalo uspješnim.
A brain–computer interface is a direct communication channel between a brain and a computer, in which brain activity is processed and classified in a way that enables the translation of the user’s intentions into computer commands. Brain activity is for this purpose most often acquired by electoencephalography, and the data thus obtained are characteristic for their high dimensionality, non-stationarity and a high rate of noise, while at the same time having a small set of examples, and those characteristics are something machine learning could deal with successfully. In this paper a dependant offline brain–user interface was developed, that is used with a sychronised protocol of stimuli presentation and uses exogenous potentials induced by watching oscillating checkerboards. Recorded EEG-signals were processed by using fast Fourier transformation, and then used as learning examples for the development of a classification model. Comparing different combinations of feature extraction methods and classification algorithms showed that best results are obtained by a wrapper method of feature extraction with a support vector machine classifier (accuracy 90%, F1-measure 0.89), and wrapper method of feature extraction with a multilayer perceptron classifier (accuracy also 90%, F1-measure 0.89). Using abstract and concrete words as stimuli didn’t produce much success.
sučelje mozak–računalo, elektroencefalografija, strojno učenje, ekstrakcija značajki, vidni evocirani potencijali stabilnog stanja
brain–computer interface, electroencephalography, machine learning, feature extraction, steady state visual evoked potentials
29.6.2012.
Kognitivna neuroznanost koristi se različitim metodama snimanja moždane aktivnosti, kao što su elektroencefalografija (EEG) i funkcijska magnetska rezonancija (fMRI). Predmet intenzivnog istraživanja predstavlja razvoj sučelja mozak-računalo, čija je svrha poboljšanje ili obnavljanje ljudskih kognitivnih i senzo-motornih funkcija. Zbog sposobnosti da nađu pravilnosti u velikoj količini višedimenzijskih podataka, postupci strojnog učenja osobito su pogodni za analizu senzorskih podataka.
Cilj ovoga rada jest usporediti uspješnost različitih metoda strojnoga učenja za sučelje mozak-računalo temeljeno na EEG-u. EEG-snimanje rezultira velikom količinom podataka koji su visokodimenzionalni, nestacionarni i sadrže veliku količinu šuma. U radu je potrebno proučiti dosadašnju primjenu strojnog učenja na snimke aktivnosti mozga dobivene EEG-snimanjem za izradu sučelja mozak-računalo. Potrebno je identificirati prikladne metode te ih zatim implementirati. Temeljem dobivenih spoznaja, potrebno je izraditi sučelje mozak-računalo i ispitati uspješnost implementiranih metoda strojnoga učenja na dva različita zadatka. Prvi je zadatak odlučivanja kod kojega ispitanik gledanjem u šahovnice koje različitim frekvencijama mijenjaju crna i bijela polja proizvodi moždane valove na temelju kojih je moguće odrediti koju šahovnicu ispitanik gleda. Drugi je zadatak klasifikacija prikazanih pojmova u apstraktne i konkretne, pod pretpostavkom da će apstraktni i konkretni pojmovi izazvati različitu moždanu aktivnost na temelju koje sučelje može funkcionirati.