Нейрокомпьютерный интерфейс

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(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, Шиянов Вадим: [https://github.com/Intelligent-Systems-Phystech/2018-Project-17 project]. Применен стандартный PLS.
+
** 2018. Наталия Болоболова, Алина Самохина, Вадим Шиянов: [https://github.com/Intelligent-Systems-Phystech/2018-Project-17 project]. Применен стандартный PLS.
-
** 2019. Маркин Валерий: [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.
+
** 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 Андрей: [https://github.com/Intelligent-Systems-Phystech/2020-Project-17 project]. Код такой же.
+
** 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. Иван Наседкин, Галия Латыпова, Нестор Суходольский, Александр Шеменев Иван 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)].
+
** 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:
    • 2018. Наталия Болоболова, Алина Самохина, Вадим Шиянов: project. Применен стандартный PLS.
    • 2019. Валерий Маркин : project и project. Применен стандартный PLS, выполнено вейвлет-преобразование данных.
    • 2020. Анрей Филатов: 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:

Статьи

Личные инструменты