Наука
Метод оценки количества источников сигнала и применение в неинвазивном интерфейсе мозг-компьютер.
Цитировать данную работу нужно следующим образом:
Alexandra Bernadotte, Victor Buchstaber. Method for Evaluating the Number of Signal Sources and Application to Non-invasive Brain-computer Interface. 2024. arXiv:2410.11844 [q-bio.NC] https://doi.org/10.48550/arXiv.2410.11844
В этой статье представлено краткое введение в математическую теорию, лежащую в основе метода развёрток временных рядов.
В статье предложена математическая модель Бернадотт для интерпретации данных с датчиков интерфейса мозг-компьютер на основе полигармонических сигналов. Основное внимание сосредоточено на решении проблемы оценки количества источников сигнала в соответсвии с моделью.
Эффективность продемонстрирована на эмпирических данных неинвазивного нейроинтерфейса Гермес.
Алгоритм, максимизирующий точность k-классификации на множестве представителей k классов эквивалентности.
Ссылка на статью: https://www.mdpi.com/2227-7390/10/15/2810
Открытый исходный код и тесты на смоделированных данных мы предоставили на GitHub.
Цитировать данную работу нужно следующим образом:
Bernadotte, A. The Algorithm That Maximizes the Accuracy of k-Classification on the Set of Representatives of the k Equivalence Classes. Mathematics 2022, 10, 2810. https://doi.org/10.3390/math10152810
Данный алгоритм, предложенный Александрой Бернадотт, позволил отказаться от решения задачи перебора при подборе команд для нейроинтерфейса. Если бы не данный алгоритм, то на решение задачи перебора нам бы понадобилось как минимум миллион лет на текущих мощностях.
Для управления устройствами важно сформировать “словарь команд”. Словарь команд — это тот набор знаков, которые будет воспринимать устройство.
Для управления большинством устройств нам достаточно 20-30 команд. При этом у нас есть огромное разнообразие для выбора того, как отдавать команду. Мы можем сказать “стоп”, “остановись” или даже “тормози”. Семантически это всё будет значить одно, а вот для нейроинтерфейса очень важно, что именно вы выбрали. И это касается не только языка, но и движений, знаков, любых паттернов.
Представим, что мы хотим сформировать такой словарь команд для управления роботом, чтобы эти команды лучше всего распознавались нашим устройством. Например, нейроинтерфейсом.
Какие слова/движения/знаки мы должны выбрать? В одном русском языке у нас около 100 тысяч слов.
Фактически, для выбора 20 команд из 100-тысячного словаря у нас есть вот столько сочетаний: Это чуть меньше, чем 10 в 100 степени вариантов.
На самом деле, нам не придётся решать эту невозможную задачу перебора. И отказу от решения этой NP-сложной задачи с переходов в решение квази полиноминальной задачи (P-класс) и посвящена статья.
Формально, это звучит так: задача распознавания по словарю заключается в нахождении набора слов из заданного набора для максимизации точности классификации слов в словаре без потери семантического представления.
Идея решения задачи заключается в представлении набора объектов (закодированных в виде последовательности символов или визуальных последовательностей) в виде k-дольного графа, где каждая доля графа соответствует группе объектов с определенным общим признаком (классом эквивалентности).
Задача состоит в нахождении такого набора представителей k классов эквивалентности, на котором точность k-классификации классификатором H удовлетворяет определенным критериям: (1) максимальная точность классификации; (2) максиминная точность — бинарная точность классификации любых двух объектов не ниже определенного значения.
Предложенный алгоритм Максимина находит k-дольные клики с точностью классификации максимина и принадлежит к P-классу.
Представленные алгоритмы выбирают набор представителей из классов эквивалентности оптимально с точки зрения точности классификации для определенного классификатора и времени выполнения. Алгоритмы повышают точность классификации при использовании классических методов классификации без дополнительной оптимизации самих классификаторов.
Оптимизация словаря команд на основе статистического критерия близости в задаче распознавания невербальной речи.
Ссылка на статью: https://crm.ics.org.ru/journal/article/3338/
Цитировать данную работу нужно следующим образом:
Бернадотт А.К., Мазурин А.Д. Оптимизация словаря команд на основе статистического критерия близости в задаче распознавания невербальной речи // Компьютерные исследования и моделирование, 2023, т. 15, № 3, с. 675-690.
Citation in English: Bernadotte A., Mazurin A.D. Optimization of the brain command dictionary based on the statistical proximity criterion in silent speech recognition task // Computer Research and Modeling, 2023, vol. 15, no. 3, pp. 675-690.
Ранее наши исследования показали, что беззвучная речь для некоторых слов приводит к почти идентичным распределениям ЭЭГ-данных. Это явление негативно влияет на точность классификации нейросетевой модели.
В этой статье предлагается метод обработки данных, который различает статистически удаленные и неразделимые классы данных. Применение предложенного подхода позволяет достичь цели максимального увеличения смысловой нагрузки словаря, используемого в ИМК.
Частотные, временные и пространственные изменения электроэнцефалограммы после COVID-19 при выполнении простого речевого задания.
Ссылка на статью: https://crm.ics.org.ru/journal/article/3339/
Цитировать данную работу нужно следующим образом:
Воронцова Д.В., Исаева М.В., Меньшиков И.А., Орлов К.Ю., Бернадотт А.К.. Частотные, временные и пространственные изменения электроэнцефалограммы после COVID-19 при выполнении простого речевого задания // Компьютерные исследования и моделирование, 2023, т. 15, № 3, с. 691-701
Нас интересовали частотные, временные и пространственные паттерны электрической активности у людей, перенесших COVID-19.
Мы обнаружили преобладание паттернов α-ритма в левом полушарии у здоровых людей по сравнению с людьми, переболевшими COVID-19. Более того, мы наблюдаем значительное снижение вклада левого полушария в области речевого центра у людей, перенесших COVID-19, при выполнении речевых заданий.
Наши результаты показывают, что сигнал у здоровых людей более пространственно локализован и синхронизирован между полушариями при выполнении задач по сравнению с людьми, перенесшими COVID-19.
Мы также наблюдали снижение низких частот в обоих полушариях после COVID-19. Электроэнцефалографические (ЭЭГ) паттерны COVID-19 обнаруживаются в необычной частотной области. То, что обычно считается шумом в ЭЭГ-данных, несет в себе информацию, по которой можно определить, переболел ли человек COVID-19. Эти паттерны можно интерпретировать как признаки десинхронизации полушарий, преждевременного старения мозга и стресса при выполнении простых задач по сравнению с людьми без COVID-19 в анамнезе.
В нашей работе мы показали применимость нейронных сетей для выявления долгосрочных последствий COVID-19 на данные ЭЭГ. Кроме того, наши данные подтвердили гипотезу о тяжести последствий COVID-19, обнаруженных по ЭЭГ-данным. Представленные результаты функциональной активности мозга позволяют использовать методы машинного обучения на простых неинвазивных интерфейсах «мозг–компьютер» для выявления пост-COVID-синдрома и прогресса в нейрореабилитации.
В этой статье предлагается метод обработки данных, который различает статистически удаленные и неразделимые классы данных. Применение предложенного подхода позволяет достичь цели максимального увеличения смысловой нагрузки словаря, используемого в ИМК.