Детальная информация

Тема выпускной квалификационной работы: «Автоматизация построения электроэнцефалографических паттернов для интерфейсов мозгкомпьютер». Данная работа посвящена исследованию взаимодействия человека с объектом управления при помощи интерфейса «мозг-компьютер», поиску оптимального алгоритма для извлечения и выборки характерных признаков из сигналов ЭЭГ, разработке системы на основе алгоритма и оценке эффективности определения классов мыслительных движений классификатором на основе полученных паттернов. Задачи, которые решались в ходе исследования: 1) Изучение особенностей управления при помощи электроэнцефалограммы для интерфейса «мозг-компьютер». 2) Применение фильтрации для удаления шумов и артефактов для снятых сигналов электроэнцефалограммы. 3) Выявление наиболее эффективного алгоритма для извлечения и выборки характерных признаков сигналов электроэнцефалограммы. 4) Проектирование и моделирование системы. 5) Разработка системы для автоматизации выбранного алгоритма. 6) Обучение классификатора на тренировочном наборе характерных признаков. 7) Оценка точности и скорости классификации на тестовом наборе данных. 8) Сравнительный анализ точности классификации мысленных движений для различных входных настроек. В рамках данной работы были изучены ключевые аспекты создания интерфейса «мозг-компьютер», функционирующего при помощи интерпретации данных многоканальной электроэнцефалограммы (ЭЭГ). Были рассмотрены этапы предварительной обработки этих сигналов, включая удаление шумов и артефактов с помощью Band-pass фильтрации. В качестве исходных данных для тренировки и оценки выступили 25- канальные сигналы ЭЭГ, полученные от 9 различных испытуемых. Во время записи ЭЭГ испытуемым предлагалось выполнять мыслительные движения 4 классов: движение правой рукой, движение левой рукой, движение ногами, движение языком. Для извлечения признаков из сигналов после применения частотных фильтров был использован алгоритм общей пространственной фильтрации. Для дальнейшей выборки признаков с целью уменьшения размерности и ускорения тренировки и работы классификатора система позволяет использовать методы LASSO, MIB, PCA и LDA. Результатом применения одного из методов является выходной набор данных, так называемый, набор паттернов, где каждый паттерн соответствует одному из классов мыслительных движений. Для определения классов система позволяет использовать классификаторы на основе алгоритма случайного леса и метода опорных векторов. После проведенного обучения на тренировочных паттернах было произведено тестирование и оценка эффективности классификации тестовых паттернов по основным параметрам, таким как точность, время, потраченное на обучение и классификацию, средняя квадратическая ошибка и точность кросс-валидации. В результате удалось установить, что система при сочетании алгоритмов CSP и PCA позволяет получить 99,5% точность классификации методом опорных векторов. При том, что тренировка и оценка занимают, в среднем, 22 и 0.0002 секунды соответственно.

The subject of the graduate qualification work is "Automation of building electroencephalographic patterns for brain-computer interfaces". This work is devoted to the study of human interaction with the object of control using the braincomputer interface, the search for the optimal algorithm for extracting and selecting characteristic features from EEG signals, the development of a system based on the algorithm, and the evaluation of the effectiveness of determining classes of mental movements by a classifier based on the obtained patterns. The research set the following goals: 1) Study of control features using an electroencephalogram for the brain-computer interface. 2) Applying filtering to remove noise and artifacts for captured EEG signals. 3) Identification of the most efficient algorithm for extracting and selecting characteristic features of electroencephalogram signals. 4) Design of the system under development. 5) Development of a system for automating the selected algorithm. 6) Training the classifier on a training set of characteristic features. 7) Estimation of classification accuracy and speed on a test dataset. 8) Comparative analysis of the accuracy of classification of mental movements for different input settings. In the framework of this work, we studied key aspects of creating a braincomputer interface that functions by interpreting multichannel electroencephalogram (EEG) data. The steps of preprocessing these signals, including removing noise and artifacts using Band-pass filtering, were considered. The initial data for training and evaluation were 25-channel EEG signals received from 9 different subjects. During recording EEG subjects were asked to perform mental movements of 4 classes: right hand movement, left hand movement, foot movement, tongue movement. To extract features from signals after applying frequency filters, the general spatial filtering algorithm was used. For further feature sampling in order to reduce the dimension and speed up the training and operation of the classifier, the system allows you to use the LASSO, MIB, PCA, and LDA methods. The result of applying one of the methods is an output data set, the so-called set of patterns, where each pattern corresponds to one of the classes of mental movements. To determine classes, the system allows you to use classifiers based on the random forest algorithm and the support vector method. After training on training patterns, we tested and evaluated the effectiveness of classifying test patterns by basic parameters, such as accuracy, time spent on training and classification, average square error, and cross-validation accuracy. As a result, it was found that the system, when combined with CSP and PCA algorithms, allows obtaining 99.5% accuracy of classification using the support vector method. Despite the fact that training and evaluation take, on average, 22 and 0.0002 seconds, respectively.