Нейрокомпьютерный интерфейс
Материал из MachineLearning.
(Различия между версиями)
(→Проекты) |
м (→Статьи) |
||
| (1 промежуточная версия не показана) | |||
| Строка 25: | Строка 25: | ||
* R.Isachenko, M.Vladimirova, V.Strijov, 2018: [http://strijov.com/papers/IsachenkoVladimirova2018PLS.pdf Dimensionality Reduction for Time Series Decoding and Forecasting Problems] | * R.Isachenko, M.Vladimirova, V.Strijov, 2018: [http://strijov.com/papers/IsachenkoVladimirova2018PLS.pdf Dimensionality Reduction for Time Series Decoding and Forecasting Problems] | ||
* А.Мотренко, диссертация: [https://sourceforge.net/p/mlalgorithms/code/HEAD/tree/PhDThesis/Motrenko/doc/Motrenko2018Thesis.pdf?format=raw Выбор моделей прогнозирования мультикоррелирующих временных рядов] | * А.Мотренко, диссертация: [https://sourceforge.net/p/mlalgorithms/code/HEAD/tree/PhDThesis/Motrenko/doc/Motrenko2018Thesis.pdf?format=raw Выбор моделей прогнозирования мультикоррелирующих временных рядов] | ||
| + | |||
| + | * А.М. Катруца [https://github.com/amkatrutsa/QPFeatureSelection/blob/master/mcode/CreateData.m Stresstest procedures for feature selection algorithms]. | ||
= Прогнозирование по изменениям зоны возбуждения = | = Прогнозирование по изменениям зоны возбуждения = | ||
| Строка 33: | Строка 35: | ||
В рамках курса [[Численные методы обучения по прецедентам (практика, В.В. Стрижов)]] были поставленны две задачи: | В рамках курса [[Численные методы обучения по прецедентам (практика, В.В. Стрижов)]] были поставленны две задачи: | ||
* '''17'''. Прогнозирование намерений. Исследование свойств локальных моделей при пространственном декодировании сигналов головного мозга. '''Задача:''' При построении систем нейрокомпьютерного интерфейса (brain-computer interface) используются простые, устойчивые модели. Важным этапом построения такой модели является построение адекватного признакового пространства. Ранее такая задача решалась с помощью выделения признаков из частотных характеристик сигналов. Данная задача ставилась 3 года, использовались данные [http://www.neurotycho.org/download NeuroTycho]: | * '''17'''. Прогнозирование намерений. Исследование свойств локальных моделей при пространственном декодировании сигналов головного мозга. '''Задача:''' При построении систем нейрокомпьютерного интерфейса (brain-computer interface) используются простые, устойчивые модели. Важным этапом построения такой модели является построение адекватного признакового пространства. Ранее такая задача решалась с помощью выделения признаков из частотных характеристик сигналов. Данная задача ставилась 3 года, использовались данные [http://www.neurotycho.org/download NeuroTycho]: | ||
| - | ** 2018. Наталия Болоболова, Алина Самохина, Вадим Шиянов: [https://github.com/Intelligent-Systems-Phystech/2018-Project-17 project]. Применен стандартный PLS. | + | ** 2018. Наталия Болоболова, Алина Самохина, Вадим Шиянов: [https://github.com/Intelligent-Systems-Phystech/2018-Project-17 project(Github)]. Применен стандартный PLS. |
| - | ** 2019. Валерий Маркин : [https://github.com/Intelligent-Systems-Phystech/2018-Project-17/tree/master/Markin2019Project17 project] и [https://github.com/Intelligent-Systems-Phystech/ECoG_Project project]. Применен стандартный PLS, выполнено вейвлет-преобразование данных. | + | ** 2019. Валерий Маркин : [https://github.com/Intelligent-Systems-Phystech/2018-Project-17/tree/master/Markin2019Project17 project(Github)] и [https://github.com/Intelligent-Systems-Phystech/ECoG_Project project(Github)]. Применен стандартный PLS, выполнено вейвлет-преобразование данных. |
| - | ** 2020. Анрей Филатов: [https://github.com/Intelligent-Systems-Phystech/2020-Project-17 project]. Код такой же. | + | ** 2020. Анрей Филатов: [https://github.com/Intelligent-Systems-Phystech/2020-Project-17 project(Github)]. Код такой же. |
* '''18'''. Прогнозирование намерений. Построение оптимальной модели декодирования сигналов при моделировании нейрокомпьютерного интерфейса. '''Задача:''' Нейрокомпьютерный интерфейс (BCI) позволяет помочь людям с ограниченными возможностями вернуть их мобильность. По имеющемуся описанию сигнала прибора необходимо смоделировать поведение субъекта. Данная задача ставилась 2 года: | * '''18'''. Прогнозирование намерений. Построение оптимальной модели декодирования сигналов при моделировании нейрокомпьютерного интерфейса. '''Задача:''' Нейрокомпьютерный интерфейс (BCI) позволяет помочь людям с ограниченными возможностями вернуть их мобильность. По имеющемуся описанию сигнала прибора необходимо смоделировать поведение субъекта. Данная задача ставилась 2 года: | ||
| - | ** 2018. И.Наседкин, Г.Латыпова, Н.Суходольский, А.Шеменев, И.Бородулин: [https://github.com/Intelligent-Systems-Phystech/2018-Project-18 project]. Использовались другие данные: [https://purl.stanford.edu/zk881ps0522 Пальчики(описание)], [https://stacks.stanford.edu/file/druid:zk881ps0522/gestures.zip Пальчики(данные)]. | + | ** 2018. И.Наседкин, Г.Латыпова, Н.Суходольский, А.Шеменев, И.Бородулин: [https://github.com/Intelligent-Systems-Phystech/2018-Project-18 project(Github)]. Использовались другие данные: [https://purl.stanford.edu/zk881ps0522 Пальчики(описание)], [https://stacks.stanford.edu/file/druid:zk881ps0522/gestures.zip Пальчики(данные)]. |
| - | ** 2019. П.Кудрявцева: [https://github.com/Intelligent-Systems-Phystech/2019-Project-18 project]. Применены PLS, QPFS. | + | ** 2019. П.Кудрявцева: [https://github.com/Intelligent-Systems-Phystech/2019-Project-18 project(Github)]. Применены PLS, QPFS. |
== Статьи == | == Статьи == | ||
* A.Eliseyev, T.Aksenova, 2014: [https://www.researchgate.net/publication/267291192_Stable_and_artifact-resistant_decoding_of_3D_hand_trajectories_from_ECoG_signals_using_the_generalized_additive_model Stable and artefact-resistant decoding of 3D hand trajectories from ECoG signals using the generalized additive model.] | * A.Eliseyev, T.Aksenova, 2014: [https://www.researchgate.net/publication/267291192_Stable_and_artifact-resistant_decoding_of_3D_hand_trajectories_from_ECoG_signals_using_the_generalized_additive_model Stable and artefact-resistant decoding of 3D hand trajectories from ECoG signals using the generalized additive model.] | ||
* A.Motrenko, V.Strijov, 2018: [https://www.sciencedirect.com/science/article/abs/pii/S0957417418304147 Multi-way feature selection for ECoG-based Brain-Computer Interface] | * A.Motrenko, V.Strijov, 2018: [https://www.sciencedirect.com/science/article/abs/pii/S0957417418304147 Multi-way feature selection for ECoG-based Brain-Computer Interface] | ||
Текущая версия
Нейрокомпьютерный интерфейс — система управления техническими устройствами (компьютером или экзо-скелетом) с помощью сигналов головного мозга. Основная часть интерфейса — прогностическая модель. Эта модель прогнозирует медленные сигналы, передаваемые на манипуляторы (частота изменения единицы Герц), по быстрым сигналам (частота изменения сотни Герц).
Содержание |
Метод частных наименьших квадратов (метод проекций в скрытое пространство)
Разработки
Проекты
Статьи
Мультимодальные методы
Статьи
Выбор прогностической модели и снижение размерности пространства
Разработки
Проекты
- Фарух Яушев:project(Github). Реализованы PLS, CCA и DeepCCA (нелинейный ССА)
- Роман Исаченко: project(Github), статья. Реализованы PLS, nonlinear PLS.
- Роман Исаченко MSThesis: MSThesis(Github), статья. Есть реализация QPFS, PLS, MultivariateQPFS.
Статьи
- R.Isachenko1, V.Strijov, 2018: Quadratic Programming Optimization with Feature Selection for Nonlinear Models
- R.Isachenko, M.Vladimirova, V.Strijov, 2018: Dimensionality Reduction for Time Series Decoding and Forecasting Problems
- А.Мотренко, диссертация: Выбор моделей прогнозирования мультикоррелирующих временных рядов
- А.М. Катруца Stresstest procedures for feature selection algorithms.
Прогнозирование по изменениям зоны возбуждения
Разработки
Проекты
В рамках курса Численные методы обучения по прецедентам (практика, В.В. Стрижов) были поставленны две задачи:
- 17. Прогнозирование намерений. Исследование свойств локальных моделей при пространственном декодировании сигналов головного мозга. Задача: При построении систем нейрокомпьютерного интерфейса (brain-computer interface) используются простые, устойчивые модели. Важным этапом построения такой модели является построение адекватного признакового пространства. Ранее такая задача решалась с помощью выделения признаков из частотных характеристик сигналов. Данная задача ставилась 3 года, использовались данные NeuroTycho:
- 2018. Наталия Болоболова, Алина Самохина, Вадим Шиянов: project(Github). Применен стандартный PLS.
- 2019. Валерий Маркин : project(Github) и project(Github). Применен стандартный PLS, выполнено вейвлет-преобразование данных.
- 2020. Анрей Филатов: project(Github). Код такой же.
- 18. Прогнозирование намерений. Построение оптимальной модели декодирования сигналов при моделировании нейрокомпьютерного интерфейса. Задача: Нейрокомпьютерный интерфейс (BCI) позволяет помочь людям с ограниченными возможностями вернуть их мобильность. По имеющемуся описанию сигнала прибора необходимо смоделировать поведение субъекта. Данная задача ставилась 2 года:
- 2018. И.Наседкин, Г.Латыпова, Н.Суходольский, А.Шеменев, И.Бородулин: project(Github). Использовались другие данные: Пальчики(описание), Пальчики(данные).
- 2019. П.Кудрявцева: project(Github). Применены PLS, QPFS.
Статьи
- A.Eliseyev, T.Aksenova, 2014: Stable and artefact-resistant decoding of 3D hand trajectories from ECoG signals using the generalized additive model.
- A.Motrenko, V.Strijov, 2018: Multi-way feature selection for ECoG-based Brain-Computer Interface
