Обзор алгоритмов классификации для интерфейсов «мозг–компьютер» на основе ЭЭГ: обновление за 10 лет

Цель: Большинство современных интерфейсов «мозг–компьютер» (ИМК) на основе электроэнцефалографии (ЭЭГ) используют алгоритмы машинного обучения. В этой области применяется большое разнообразие типов классификаторов, описанное в нашей обзорной статье 2007 года. Примерно через десять лет после публикации этого обзора было разработано и апробировано множество новых алгоритмов классификации сигналов ЭЭГ в ИМК. Поэтому настало время обновить обзор алгоритмов классификации ЭЭГ для ИМК. Подход: Мы изучили публикации по ИМК и машинному обучению за период с 2007 по 2017 год, чтобы выявить новые подходы к классификации, исследованные для разработки ИМК. Мы обобщили эти исследования, представив соответствующие алгоритмы, описав способы их применения в ИМК и полученные результаты, а также определив их преимущества и недостатки. Основные результаты: Мы установили, что недавно разработанные алгоритмы классификации для ИМК на основе ЭЭГ можно разделить на четыре основные категории: адаптивные классификаторы; матричные и тензорные классификаторы; перенос обучения и глубокое обучение; а также несколько других классификаторов. Среди них адаптивные классификаторы в целом продемонстрировали превосходство над статическими, даже при использовании обучения без учителя для адаптации. Перенос обучения также может оказаться полезным, хотя его преимущества остаются непредсказуемыми. Методы на основе римановой геометрии достигли передовых результатов в решении нескольких задач ИМК и заслуживают более тщательного изучения наряду с тензорными методами. Линейный дискриминантный анализ со сжатием и случайные леса также представляются особенно полезными при небольших обучающих выборках. С другой стороны, методы глубокого обучения пока не продемонстрировали убедительного улучшения по сравнению с передовыми методами для ИМК. Значимость: В статье представлен всесторонний обзор современных алгоритмов классификации, применяемых в ИМК на основе ЭЭГ, изложены принципы этих методов и рекомендации о том, когда и как их использовать. Кроме того, определён ряд проблем...