Классификация ЭЭГ с помощью сверточных нейронных сетей

Детектирование событий движения руки в сигналах ээг головного мозга с помощью сверточных нейронных сетей
Author

Фоменков Сергей Алексеевич
Попов Евгений Юрьевич

Date2015 - 2016
Sourceжурнал
Citation4
Section

Автоматическая интерпретация ЭЭГ
Распознавание движения
нейрокомпьютерный интерфейс
машинное обучение

Pipelineсбор данных, предобработка, преобразование, классификация
Methodсверточные нейронные сети
глубокое обучение
ADADELTA
ProgramScikit-learn
Theano
Lasagne
Neon
Question5
0 %
Link

articleId=899

Subjectshuman

Описан метод классификации шести различных событий движения руки в 32-канальном сигнале ЭЭГ головного мозга человека посредством использования сверточных нейронных сетей в качестве многоклассового классификатора.

Использованные ЭЭГ размещены в открытом доступе

Примечание: данный подход может быть использован для классификации и патологических состояний.

В работе предложены и эмпирически оценены несколько вариантов архитектуры сверточной нейронной сети, а также два варианта функций активации нейронов скрытых слоев нейросети. Показаны преимущества выбранного метода классификации электроэнцефалограмм. Полученные результаты дают возможность говорить о том, что использование данного вида классификатора позволяет эффективно выделять характерные признаки в исходных ЭЭГ сигналах, а на выходе НС получать вероятности принадлежности входного сигнала одному из заданных классов движений руки.

Полученные результаты

Статья 1

Использование нестандартной функции активации нейронов скрытого слоя (rectified linear) обеспечивает улучшение качества классификации. Предложенная архитектура сверточной НС легко поддается модификации как в ширину (добавление новых плоскостей признаков на сверточном слое), так и в глубину (добавление новых сверточных и субдискретизационных слоев). За счет этого возможно дальнейшее улучшение полученного в исследовании качества классификации.

Статья 2

Использование рекуррентного слоя вместо стандартного сверточного может значительно улучшить качество классификации ЭЭГ. Добавление рекуррентных связей для конволюционного слоя нейронов увеличивает глубину сети, сохраняя постоянным число параметров за счет разделения весов (weight sharing) между слоями.

Статья 3

Использование классификатора в виде ансамбля сверточных нейронных сетей позволяет эффективно выделять характерные признаки в исходных ЭЭГ-сигналах, а на выходе классификатора получать вероятности принадлежности входного сигнала одному из заданных классов движений руки. Использование алгоритма блендинга позволяет получить оптимальные результаты классификации путем интеграции наилучших оценок нескольких моделей, которые в отдельности на всем тестовом множестве могут давать неоптимальный результат.

  • 1. Датасет

    По указанному источнику1 размещены ЭЭГ в формате .mat, при этом используемые в методике программы и библиотеки (Scikit-learn, Theano, Lasagne, Neon) не обрабатывают Matlab файлы. Не описано, какой обработке были подвергнуты ЭЭГ (bandpass filtering и т.п.)? Не ясно в какой форме подавался сигнал на вход.

  • 2. Программы и алгоритмы

    Не указывается каким образом использовались программы. Например, библиотека scikit-leam не может быть использована для моделирования конволюционных нейросетей, иное же ее применение в данной работе не объяснено.

  • 3. Гиперпараметры и конфигурация

    Описание параметров недостаточно для воспроизведения архитектуры нейронной сети.

  • 4. Размер плоскостей

    Размеры входного слоя указаны как 32 (канала) х 48 (моментов времени). Дискретность сигнала события варьируется в очень узком диапазоне (от 48 до 96 точек). Полученные результаты не демонстрируют какой-либо зависимости точности от количества точек времени (хотя это основной параметр различия конфигураций нейросетей). Почему не взят диапазон дискредитации шире для выявления зависимости?

  • 5. Значимость различий

    В статьях заявлено о "значительном преимуществе" той или иной конфигурации, однако различия в результатах не выходят за рамки статистической погрешности. Статистический анализ результатов не выполнен.

%

Интегральный рейтинг исследования

Актуальность

Актуальность

Значительность, востребованность и современность тематики в области электрофизиологии.
Подробнее

Валидность

Валидность

Включает в себя:

Research Validity
Measurement Validity
Подробнее

Воспроизводимость

Воспроизводимость

Включает в себя:

Reproducibility
Replicability
Reliability
Подробнее

Эссенциальность

Эссенциальность

Совокупность причин и законов, определяющих сущность и функционирование объекта
Подробнее

Форма обратной связи

Footnotes

  1. M. Luciw, E. Jarochka, B. Edin, “Multi-channel EEG recordings during 3,936 grasp and lift trials with varying weight and friction,” Scientific Data, no. 1, 2014. [Online]. Avalaible: http://www.nature.com/articles/sdata201447.