Нейрокомпьютерный интерфейс

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Проекты)
м (Статьи)
 
Строка 25: Строка 25:
* R.Isachenko, M.Vladimirova, V.Strijov, 2018: [http://strijov.com/papers/IsachenkoVladimirova2018PLS.pdf Dimensionality Reduction for Time Series Decoding and Forecasting Problems]
* R.Isachenko, M.Vladimirova, V.Strijov, 2018: [http://strijov.com/papers/IsachenkoVladimirova2018PLS.pdf Dimensionality Reduction for Time Series Decoding and Forecasting Problems]
* А.Мотренко, диссертация: [https://sourceforge.net/p/mlalgorithms/code/HEAD/tree/PhDThesis/Motrenko/doc/Motrenko2018Thesis.pdf?format=raw Выбор моделей прогнозирования мультикоррелирующих временных рядов]
* А.Мотренко, диссертация: [https://sourceforge.net/p/mlalgorithms/code/HEAD/tree/PhDThesis/Motrenko/doc/Motrenko2018Thesis.pdf?format=raw Выбор моделей прогнозирования мультикоррелирующих временных рядов]
 +
 +
* А.М. Катруца [https://github.com/amkatrutsa/QPFeatureSelection/blob/master/mcode/CreateData.m Stresstest procedures for feature selection algorithms].
= Прогнозирование по изменениям зоны возбуждения =
= Прогнозирование по изменениям зоны возбуждения =

Текущая версия

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(Github). Применен стандартный PLS.
    • 2019. Валерий Маркин : project(Github) и project(Github). Применен стандартный PLS, выполнено вейвлет-преобразование данных.
    • 2020. Анрей Филатов: project(Github). 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