Обзор алгоритмов классификации для интерфейсов «мозг–компьютер» на основе ЭЭГ: обновление за 10 лет
A review of classification algorithms for EEG-based brain–computer interfaces: a 10 year update
2018-02-28
SCID: 54.1/wr6h32fk
Discuss with AI
ЭЭГ-основанные интерфейсы мозг–компьютерметоды на основе римановой геометрииадаптивные классификаторыалгоритмы классификацииглубокое обучение
Figures from the paper
Abstract (AI)
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...
Key Findings
1
Адаптивные классификаторы в целом превосходят статические, включая случаи адаптации без размеченных данных.
2
Методы на основе римановой геометрии достигают передовых результатов на нескольких задачах BCI, тогда как тензорные методы требуют дальнейшего изучения.
3
Усадочный линейный дискриминантный анализ и случайные леса особенно полезны при малом объёме обучающих выборок; глубокое обучение пока убедительно не превосходит современные методы BCI.
4
Обзор литературы за 2007–2017 годы выделяет четыре основные категории новых классификаторов ЭЭГ для BCI: адаптивные, матричные/тензорные, методы переноса обучения и глубокого обучения, а также прочие методы.
5
Перенос обучения может улучшать классификацию в BCI, однако его преимущества остаются непредсказуемыми для разных приложений.
Research Object
Интерфейсы мозг–компьютер на основе ЭЭГ и алгоритмы классификации их ЭЭГ-сигналов
Research Subject
Производительность, применимость, результаты и ограничения современных алгоритмов классификации ЭЭГ для интерфейсов мозг–компьютер, включая адаптивные методы, матричные и тензорные методы, перенос обучения и глубокое обучение
Publication Details
Publication Date
2018-02-28
Journal
Publisher
ISSN
Cited by
2229
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai7
Распознавание образов и машинное обучение2007
EEGNet: компактная сверточная нейронная сеть для интерфейсов мозг–компьютер на основе ЭЭГ2018
Глубокое обучение с использованием сверточных нейронных сетей для декодирования и визуализации ЭЭГ2017
Обзор алгоритмов классификации для интерфейсов мозг–компьютер на основе электроэнцефалографии2007
Сверточные нейронные сети для детектирования P300 с применением к интерфейсам мозг–компьютер2010
Риманова геометрия для интерфейсов мозг–компьютер на основе ЭЭГ: введение и обзор2017
Схема глубокого обучения для классификации воображаемых двигательных действий на основе ограниченных машин Больцмана2016
Работы, цитирующие эту статью7
Современное состояние, проблемы и возможные решения для интерфейсов мозг–компьютер на основе ЭЭГ: всесторонний обзор2020
Развитие интерфейсов «мозг — компьютер»: проблемы и перспективы2021
Прошлое, настоящее и будущее применений интерфейсов мозг–компьютер на основе ЭЭГ2022
Беспроводная ЭЭГ: обзор систем и исследований2022
Имплантируемый интерфейс мозг — компьютер для восстановления произвольного захвата кистью с использованием нейропротеза при травме спинного мозга2021
Подходы глубокого обучения для интерфейсов мозг–компьютер на основе моторного воображения по данным ЭЭГ: современные модели, проблемы обобщения и новые тенденции2025
Спайковая адаптация фундаментальных моделей ЭЭГ для эффективных по калибровке межсубъектных интерфейсов мозг–компьютер2026