Схема глубокого обучения для классификации воображаемых двигательных действий на основе ограниченных машин Больцмана

Классификация воображаемых двигательных действий является важным направлением исследований в области интерфейсов мозг—компьютер (BCI), позволяющим распознавать намерение испытуемого, например управлять протезом. Динамика мозга при воображении двигательных действий обычно измеряется с помощью электроэнцефалографии (EEG) как нестационарный временной ряд с низким отношением сигнал/шум. Хотя ранее был разработан ряд методов для извлечения признаков из сигналов EEG, подходы глубокого обучения редко применялись для формирования новых представлений признаков EEG и дальнейшего повышения качества классификации воображаемых двигательных действий. В настоящем исследовании предложена новая схема глубокого обучения на основе ограниченных машин Больцмана (RBM). В частности, для обучения трех RBM используются частотные представления сигналов EEG, полученные с помощью быстрого преобразования Фурье (FFT) и вейвлет-пакетной декомпозиции (WPD). Затем эти RBM объединяются с дополнительным выходным слоем в четырехслойную нейронную сеть, названную частотной сетью глубоких убеждений (FDBN). Для выполнения задачи классификации на выходном слое применяется регрессия softmax. Кроме того, для тонкой настройки FDBN используются метод сопряженных градиентов и обратное распространение ошибки. На общедоступных эталонных наборах данных проведены всесторонние и систематические эксперименты; результаты показывают, что улучшение характеристик FDBN по сравнению с другими выбранными современными методами является статистически значимым. В статье также представлены несколько результатов, представляющих значительный интерес для сообщества, работающего в области интерфейсов мозг—компьютер.