Применение алгоритма "Полоска" для онлайнового декодирования ЭЭГ-паттернов

Аннотация

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.