Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tối ưu hóa mô hình dấu ẩn dựa trên thuật toán tìm kiếm hòa hợp cho phân loại trực tuyến các thử nghiệm EEG đơn trong các tác vụ hình dung vận động
Tóm tắt
Bài báo này trình bày một phương pháp cải tiến dựa trên dữ liệu EEG thử nghiệm đơn cho phân loại trực tuyến các tác vụ hình dung vận động trong các ứng dụng giao diện não-máy (BCI). Mục tiêu cuối cùng của nghiên cứu này là phát triển một phương pháp phân loại mới có thể được sử dụng để điều khiển một nền tảng tác nhân robot tương tác qua hệ thống BCI. Quá trình phân loại được đề xuất là một phương pháp học thích nghi dựa trên quá trình tối ưu hóa của mô hình Markov ẩn (HMM), điều này lại dựa trên các thuật toán meta-heuristic. Chúng tôi sử dụng một chiến lược tối ưu hóa cho HMM trong giai đoạn đào tạo dữ liệu EEG theo chuỗi thời gian liên quan đến các tác vụ tinh thần hình dung vận động. Tuy nhiên, quá trình này đặt ra những vấn đề quan trọng về việc giải thích mô hình và kiểm soát độ phức tạp. Với những vấn đề này trong tâm trí, chúng tôi khám phá khả năng sử dụng thuật toán tìm kiếm hòa hợp, linh hoạt và do đó cho phép loại bỏ những nỗ lực gán thông số phức tạp để tối ưu hóa cấu hình tham số HMM. Trong bài báo này, chúng tôi minh họa một mô phỏng phân tích dữ liệu tuần tự và đánh giá HMM đã được tối ưu hóa. Kết quả hiệu suất từ thí nghiệm BCI được đề xuất cho thấy bộ phân loại HMM tối ưu hóa có khả năng phân loại các tập dữ liệu EEG tốt hơn so với HMM thông thường trong các tác vụ hình dung vận động.
Từ khóa
#Giao diện não-máy #phân loại trực tuyến #mô hình Markov ẩn #tối ưu hóa #thuật toán tìm kiếm hòa hợpTài liệu tham khảo
H. K. Lee and S. J. Choi, “PCA+HMM+SVM for EEG pattern classification,” Proc. of the 7th International Symposium on Signal Processing and Its Applications, vol. 1, pp. 541–544, 2003.
F. Lotte, M. Congedo, A. Lécuyer, F. Lamarche, and B. Analdi, “A review of classification algorithms for EEG-based brain-computer interfaces,” Journal of Neural Engineering, vol. 4, pp. R1–R13, 2007.
A. Hyvärinen, P. Ramkumar, L. Parkkonen, and R. Hari, “Independent component analysis of shorttime Fourier transform for spontaneous EEG/MEG analysis,” NeuroImage, vol. 49, pp. 257–271, 2010.
H. -G. Yeom, S.-M. Park, J. H. Park, and K.-B. Sim, “Superiority demonstration of variance-considered machines by comparing error rate with support vector machines,” International Journal of Control, Automation and Systems, vol. 9, no. 3, pp. 595–600, 2011.
B. Obermaier, C. Guger, C. Neuper, and G. Pfurtscheller, “Hidden Markov models for online classification of single trial EEG data,” Pattern Recognition Letters, vol. 22, no. 12, pp. 1299–1309, 2001.
C. W. Chau, S. Kwong, C. K. Diu, and W. R. Fahrner, “Optimization of HMM by a genetic algorithm,” Proc. ICASSP, pp. 1727–1730, 1997.
K. -J. Won, A. Pruger-Bennett, and A. Krogh, “Training HMM Structure with genetic algorithm for biological sequence analysis,” Bioinformatic, vol. 20, no. 18, pp. 3613–3619, 2004.
H. Hu, J. Yang, L. Zhu, and H. Xi, “Constrained Markov control model and online stochastic optimization algorithm for power conservation in multimedia server cluster systems,” International Journal of Control, Automation and Systems, vol. 10, no. 6, pp. 1215–1224, 2012.
F. Lotte and C. Guan, “Regularizing common spatial patterns to improve BCI designs: unified theory and new algorithm,” IEEE Trans. on Biomedical Engineering, vol. 58, no. 2, pp. 355–362, 2011.
D. Coyle, G. Prasad, and T. M. Mcginnity, “A time-series prediction approach for feature extraction in a Brain-Computer interface,” IEEE Trans. on Neural Systems and Rehabilitation Engineering, vol. 13, no. 4, pp. 461–467, 2005.
R. J. Frank, N. Davey, and S. P. Hunt, “Time series prediction and neural networks,” Journal of Intelligent and Robotics Systems, vol. 31, pp. 91–103, 2001.
B. Cetisli and R. Edizkan, “Estimation of adaptive neuro-fuzzy inference system parameters with the expectation maximization algorithm and extended Kalman smoother,” Neural Computing and Applications, vol. 20, no. 3, pp. 403–415, 2011.
B. Cetisli and R. Edizkan, “Estimation of adaptive neuro-fuzzy inference system parameters with the expectation maximization algorithm and extended Kalman smoother,” Neural Computing and Applications, vol. 20, no. 3, pp. 403–415, 2011.
L. R. Rabiner, “A tutorial on hidden Markov models and selected applications in speech recognition,” Proc. of IEEE, vol. 77, pp. 257–286, 1989.
L. R. Welch, “Hidden Markov models and the Baum-Welch algorithm,” IEEE Information Theory Society Newsletter, vol. 53, no. 4, pp. 1, 10–13, 2003.
Z. W. Geem and K.-B. Sim, “Parameter-settingfree harmony search algorithm,” Applied Mathematics and Computation, vol. 217, no. 8, pp. 3881–3889, 2010.
Y. Wang, B. Hong, X. Gao, and S. Gao, “Design of electrode layout for motor imagery based braincomputer interface,” Electronics Letters, vol. 43, no. 10, pp. 557–558, 2007.
B. Blankertz, G. Dornhege, M. Krauledat, K.-R. Müller, and G. Curio, “The non-invasive Berlin Brain-computer interface: fast acquisition of effective performance in untrained subject,” Neuro-Image, vol. 37, pp. 539–550, 2007.