Материалы портала «Научная Россия»

0 комментариев 694

Как помочь компьютеру отслеживать ваше психическое состояние

Как помочь компьютеру отслеживать ваше психическое состояние
Ученые создают программное обеспечение, которое поможет разработать более умные нейрокомпьютерные интерфейсы для приложений в медицине и не только, - пишет eurekalert.org.

Ученые создают программное обеспечение, которое поможет разработать более умные нейрокомпьютерные интерфейсы для приложений в медицине и не только, - пишет eurekalert.org.

Исследователи из Сколтеха (Россия), INRIA (Франция) и RIKEN (Япония) рассмотрели несколько современных алгоритмов машинного обучения для сложных задач по определению умственной нагрузки и аффективных состояний человеческого мозга. Статья была опубликована в журналах IEEE Systems, Man и Cybernetics Magazine.

Нейрокомпьютерный интерфейс (НКИ) является связующим звеном между человеческим мозгом и машиной, который может позволить людям управлять различными устройствами, такими как руки роботов или инвалидное кресло, только с помощью активности мозга (они называются активными НКИ) или может контролировать психическое состояние и эмоции пользователя и классифицировать их (это пассивные НКИ). Сигналы мозга в НКИ обычно измеряются с помощью электроэнцефалографии – как правило, неинвазивного метода регистрации электрической активности мозга.

Но существует довольно долгий путь от необработанных непрерывных сигналов ЭЭГ до сигналов или паттернов, обработанных в цифровой форме, которые могли бы правильно идентифицировать умственную нагрузку или аффективные состояния пользователя. Существующие эксперименты показали, что точность этих измерений даже для простых задач, например, отличия низкой нагрузки от высокой, недостаточна для надежных практических приложений.

«Низкая точность обусловлена ​​чрезвычайно высокой сложностью человеческого мозга. Мозг подобен огромному оркестру с тысячами музыкальных инструментов, из которых мы хотим извлекать определенные звуки каждого отдельного инструмента, используя ограниченное количество микрофонов или других датчиков», - отмечает Анджей Чихоцкий - профессор Центра вычислительной и интенсивной обработки данных и инженерии Сколтеха и соавтор статьи.

Таким образом, остро необходимы более надежные и точные алгоритмы классификации ЭЭГ и распознавания различных паттернов мозга. Чихоцкий и его коллеги рассмотрели две группы алгоритмов машинного обучения: классификаторы на основе римановой геометрии и сверточные нейронные сети, которые неплохо зарекомендовали себя в активных НКИ. Исследователи задались вопросом, могут ли эти алгоритмы работать не только с так называемыми мнимыми моторными задачами, когда испытуемый представляет некоторые движения конечностей без какого-либо реального движения, но и для оценки уровня умственной нагрузки и аффективных состояний.

Они провели своего рода соревнование среди семи алгоритмов, два из которых ученые разработали сами, улучшив хорошо работающие римановы методы. Алгоритмы были протестированы в двух исследованиях, одно с типичной схемой для НКИ, где алгоритмы обучались на данных от определенного предмета, а затем тестировались на том же предмете, а другое не зависело от предмета - гораздо более сложная установка, поскольку наша мозговые волны могли быть совершенно разными. Настоящие данные ЭЭГ были взяты из более ранних экспериментов, проведенных Фабьеном Лотте - соавтором статьи - и его коллегами, а также из существующей базы данных DEAP для анализа эмоций.

Ученые обнаружили, например, что искусственная глубокая нейронная сеть значительно превзошла всех своих конкурентов в задаче оценки рабочей нагрузки, но плохо справилась с классификацией эмоций. При этом два модифицированных римановых алгоритма неплохо справились с обеими задачами. В целом, как заключается в документе, использование пассивных НКИ для классификации аффективных состояний намного сложнее, чем для оценки рабочей нагрузки, а независимая от субъекта калибровка приводит, по крайней мере, на данный момент, к гораздо более низкой точности.

«На следующих этапах мы планируем использовать более сложные методы искусственного интеллекта (ИИ), особенно глубокое обучение, которые позволяют нам обнаруживать крошечные изменения в сигналах мозга или паттернах мозга. Глубокие нейронные сети можно обучать на основе большого набор данных для многих субъектов в разных сценариях и в разных условиях. ИИ - настоящая революция, и он также потенциально полезен для НКИ и распознавания человеческих эмоций», - сказал Чихоцкий.

[Фото: ru.123rf.com/profile_iuphotos]

Источник: www.eurekalert.org

интерфейс мозг-компьютер искусственные интеллект машинное обучение нейрокомпьютерный интерфейс роботы

Назад

Социальные сети

Комментарии

Авторизуйтесь, чтобы оставить комментарий

Информация предоставлена Информационным агентством "Научная Россия". Свидетельство о регистрации СМИ: ИА № ФС77-62580, выдано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций 31 июля 2015 года.