Нейрокомпьютерный интерфейс

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
м (Статьи)
 
(7 промежуточных версий не показаны.)
Строка 1: Строка 1:
-
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).
+
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).
= Метод частных наименьших квадратов (метод проекций в скрытое пространство) =
= Метод частных наименьших квадратов (метод проекций в скрытое пространство) =
Строка 17: Строка 17:
== Проекты ==
== Проекты ==
 +
* Фарух Яушев:[https://github.com/Intelligent-Systems-Phystech/2020-Project-71/blob/master/report/Yaushev2020Title.pdf project(Github)]. Реализованы PLS, CCA и DeepCCA (нелинейный ССА)
 +
* Роман Исаченко: [https://github.com/Intelligent-Systems-Phystech/2017-Isachenko-PLS project(Github)], [http://strijov.com/papers/IsachenkoVladimirova2018PLS.pdf статья]. Реализованы PLS, nonlinear PLS.
 +
* Роман Исаченко MSThesis: [https://github.com/Intelligent-Systems-Phystech/MSThesis/tree/master/Isachenko2018MSThesis MSThesis(Github)], [https://link.springer.com/epdf/10.1134/S199508021809010X?author_access_token=Q-A4oqH27ACp4eqxC6FQM0ckSORA_DxfnEvY7GoQybbLXPk3x1qhoVWucZF2dso06f2ZdC5tLu64l_mTFC7nJEYFBhu5hMujsHHoiV01BH1MVkcRIRkC12mEMVlPJQUuwfFeLafZ5-vBGVwVcKewSA%3D%3D статья]. Есть реализация QPFS, PLS, MultivariateQPFS.
== Статьи ==
== Статьи ==
 +
* R.Isachenko1, V.Strijov, 2018: [https://link.springer.com/epdf/10.1134/S199508021809010X?author_access_token=Q-A4oqH27ACp4eqxC6FQM0ckSORA_DxfnEvY7GoQybbLXPk3x1qhoVWucZF2dso06f2ZdC5tLu64l_mTFC7nJEYFBhu5hMujsHHoiV01BH1MVkcRIRkC12mEMVlPJQUuwfFeLafZ5-vBGVwVcKewSA%3D%3D Quadratic Programming Optimization with Feature Selection for Nonlinear Models]
 +
* 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.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 25: Строка 33:
== Проекты ==
== 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 [http://www.neurotycho.org/download NeuroTycho]:
 +
** 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(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(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: [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(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.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

Статьи

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:

Статьи

Личные инструменты