Использование классификаторов для нахождения вызванных потенциалов P300 в данных ЭЭГ
Введение
Головной мозг человека невероятно сложная биологическая система, являющаяся центром управления всего организма. Мозг отвечает за множество процессов, происходящих в организме человека. Один из таких процессов это выполнение когнитивной функции, включающей в себя восприятие информации, её обработку и принятие решений.Понимание того, как работает мозг, является одной из ключевых тем, которая представляет интерес для ученых в различных областях уже многие столетия. Современные диагностические исследования позволяют получать информацию о процессах, происходящих в головном мозге. Одним из основных диагностических методов является электроэнцефалография (ЭЭГ). Электроэнцефалография это метод исследования активности головного мозга, который позволяет регистрировать электрические потенциалы, генерируемые нервными клетками. Изменения электрических потенциалов, вызванные активностью нейронов мозга, могут быть исследованы математическими средствами и способны дать огромное количество информации о процессах, происходящих в мозге.
Оглавление
1. Введение
Постановка задачи
Обзор
1. Работа с электроэнцефалограммой
2. Потенциал P300 и его стимуляция
3. Существующие решения
Анализ и обработка данных
1. Набор данных
2. Предобработка данных
Экспериментальная часть
1. Используемые классификаторы
2. Сверточные нейронные сети
3. Топология сверточной нейронной сети
4. Метрики
4.1. Матрица ошибок
4.2. Доля правильных ответов (accuracy)
4.3. Precision, recall и F - мера
4.4. AUC - ROC и AUC - PR
4.5. Рекомендация выбора метрик
5. Полученные результаты
Заключение
Список литературы
Приложение
Список литературы
[1] Kumar, J. Satheesh, Bhuvaneswari, P. Analysis of Electroencephalography (EEG) Signals and Its Categorization-A Study // Procedia Engineering. — 2012. — Т. 38. — С. 2525—2536. — ISSN 1877-7058. — DOI.
[2] Lotte, Fabien. A Tutorial on EEG Signal Processing Techniques for Mental State Recognition in Brain-Computer Interfaces // Guide to Brain-Computer Music Interfacing / под ред. Eduardo Reck Miranda, Julien Castet. — Springer, 2014. — URL: https://hal.inria.fr/hal- 01055103.
[3] Polich, John, Kok, Albert. Cognitive and biological determinants of P300: an integrative review // Biological psychology. — 1995. — Т. 41, № 2. — С. 103—146.
[4] Li J. et al. An online P300 brain–computer interface based on tactile selective attention of somatosensory electrical stimulation //Journal of Medical and Biological Engineering. – 2019. – Т. 39. – С. 732-738.
[5] Haider, Ali, Fazel-Rezai, Reza. Application of P300 Event-Related Potential in Brain-Computer Interface // Event-Related Potentials and Evoked Potentials / под ред. Phakkharawat Sittiprapaporn. — Rijeka : IntechOpen, 2017. — Гл. 2. — DOI: 10 . 5772 / intechopen . 69309. — URL: https://doi.org/10.5772/intechopen.69309.
[6] Cecotti H, Graser A. Convolutional neural networks for P300 detection with application to brain-computer interfaces. IEEE transactions on pattern analysis and machine intelligence. 2011 Mar;33(3):433-45.
[7] Manor R., Geva A. B. Convolutional neural network for multi-category rapid serial visual presentation BCI //Frontiers in computational neuroscience. – 2015. – Т. 9. – С. 146.
[8] Schirrmeister R. T. et al. Deep learning with convolutional neural networks for EEG decoding and visualization //Human brain mapping. – 2017. – Т. 38. – №. 11. – С. 5391-5420.
Для решения задачи классификации сигнала были опробованы популярные классификаторы, встречающиеся в решении подобных задач SVM, LDA, LR, RF и сверточные нейронные сети.SVM. Классификатор SVM (Support Vector Machine, метод опорных векторов) был выбран из-за того, что он хорошо работает на данных с высокой размерностью. Однако для того, чтобы показать хорошую точность в задаче бинарной классификации, часто приходится подбирать параметры классификатора (в частности, тип ядра), либо заниматься задачей извлечения признаков из необработанного вектора.LDA. LDA (Linear Discriminant Analysis, линейный дискриминантный анализ) опробован в связи с тем, что он с высокой точностью решает задачу поиска критерия, по которому два различных класса легко различимы. В данном случае это класс фрагментов сигнала, в которых присутствует P300, и класс фрагментов сигнала, в которых P300 не встречается. Зачастую такие классы можно отличить визуально.RF. RF (Random forest, случайный) может быть полезным инструментом для обработки и классификации характеристических особенностей, которые выделяют при обнаружении P300. Данный классификатор может обучиться на обучающих данных, которые содержат представления сигналов, связанных с P300, и классифицировать новые сигналы на основе этих обученных моделей.