Нейрокомпьютерный интерфейс
Материал из MachineLearning.
(Различия между версиями)
(→Статьи) |
(→Проекты) |
||
| Строка 27: | Строка 27: | ||
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, | + | ** 2018. Наталия Болоболова, Алина Самохина, Вадим Шиянов: [https://github.com/Intelligent-Systems-Phystech/2018-Project-17 project]. Применен стандартный PLS. |
| - | ** 2019. | + | ** 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. |
| - | ** 2020. Филатов | + | ** 2020. Анрей Филатов: [https://github.com/Intelligent-Systems-Phystech/2020-Project-17 project]. 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. | + | ** 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)]. |
| - | ** 2019. 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]. 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] | ||
Версия 11:26, 28 ноября 2020
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:
- 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. Использовались другие данные: Пальчики(описание), Пальчики(данные).
- 2019. П.Кудрявцева: project. 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
