канд. физ.-мат. наук, ст. науч. сотр.
г. Санкт-Петербург
Saint Petersburg, 199178
студент
г. Санкт-Петербург
Saint Petersburg, 198504
Рассматривается задача определения по сигналам электроэнцефалограммы того, какой рукой — правой или левой — испытуемый намеревается совершить движение. Актуальность задачи обусловлена широким распространением интерфейсов мозг—компьютер, где электроэнцефалография является одним из основных неинвазивных методов снятия сигналов с головного мозга. Определив руку, которой испытуемый намеревается совершить движение, можно подавать соответствующие команды в компьютер.
Для решения поставленной задачи из отрезков сигналов, предшествующих движению, выделяются временные и частотные признаки, которые подаются на вход модели машинного обучения. Задача формулируется как задача бинарной классификации. Модель должна предсказать, будет ли движение совершено правой рукой или левой.
В отличие от стандартной постановки задачи обучения с учителем предполагается, что предзаданный набор данных для обучения отсутствует, и семплы для обучения модели поступают один за другим. Таким образом имитируется ситуация, при которой модель должна работать с новым испытуемым и подстроиться под него в реальном времени. Традиционным методом обучения линейных моделей в такой парадигме является стохастический градиентный спуск. Ранее было показано, что алгоритм "Полоска", разработанный В. А. Якубовичем для ряда задач, обладает более высокой скоростью сходимости, чем стохастический градиентный спуск. Однако это достигается за счет того, что шаг алгоритма совершается на каждый признак семпла. Это делает рассматриваемую ранее версию "Полоски" не пригодной для работы с данными высокой размерности. В статье предлагается использование другой версии "Полоски", не обладающей указанным недостатком.
Предложенный алгоритм апробирован на открытом наборе данных с соревнований "BCI competition II". Показано, что алгоритм обладает более высокой скоростью совершения одного шага обучения по сравнению с традиционными линейными моделями на основе стохастического градиентного спуска на рассматриваемом наборе данных, что является преимуществом при использовании в реальном времени.
In this paper, we consider the problem of determining the hand with which the subject intends to make a movement according to the signals of the electroencephalogram. The relevance of the task is due to the wide spread of brain-computer interfaces, where electroencephalography is one of the main non-invasive methods for obtaining signals from the brain. To solve the problem, temporal and frequency features are selected from the segments of signals preceding the movement, which are fed to the input of the classification machine learning model. In contrast to the standard supervised learning setup, it is assumed that there is no predefined training data set and the training samples for the model are received one after another. Thus, a situation is simulated in which the model must work with a new subject and adjust to them in real time. The traditional method for training linear models in such a paradigm is stochastic gradient descent. Previously, it was shown that the "Stripe" algorithm developed by Yakubovich for a certain problem has a higher convergence rate than stochastic gradient descent. However, this is achieved by performing algorithm step on each feature of the sample. Thus, that version of "Stripe" is not suitable for working with high-dimensional data. This article discusses another version of "Stripe" that does not have this drawback. It is shown that the proposed algorithm has a higher rate of one learning step compared to traditional linear models based on stochastic gradient descent on the BCI competition II dataset.
The authors declare that there are no conflicts of interest present.