Нейрокомпьютерный интерфейс
Материал из MachineLearning.
(Различия между версиями)
(→Статьи) |
(→Проекты) |
||
| 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 == | ||
Версия 11:48, 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
- 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
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
