Расшифровка шмр: Выполнение работ по ШМР и ПНР

Акт является приложением к договору и, как правило, его форма предварительно утверждается сторонами (но это не обязательно).

Для чего заполняют акт об окончании пусконаладочных работ

Помимо фиксации качества, акт об окончании пусконаладочных работ востребован и по другим причинам. В первую очередь следует сказать о том, что он относится к первичной документации и на его основании происходит оплата стоимости работ.

Необходимо отметить, что акт является юридически значимым документом.

Например, в случае возникновения у заказчика претензий к качеству произведенных работ, он может обратиться в судебную инстанцию, где этот документ обретет статус доказательства.

Именно поэтому составление документа одинаково важно как для заказчика пусконаладочных работ, так и для их исполнителя.

Утверждение комиссией

Чтобы правильно оформить акт об окончании пусконаладочных работ, необходимо создание специальной комиссии в составе не менее двух человек.

В нее должны входить представители со стороны заказчика и со стороны исполнителя, обладающие достаточным уровнем знаний и квалификации для проверки качества работ и их утверждения. Допустимо и присутствие сторонних экспертов, которые также должны быть отмечены в бланке документа.

В задачи комиссии входит проверка соответствия оборудования проекту, техническим требованиям, рабочей документации, а также изучение бумаг касающихся непосредственно производства работ с оборудованием.

Правила составления документа

На сегодняшний день единого, унифицированного, обязательного к применению образца акта об окончании пусконаладочных работ не имеется. Организации и предприятия имеют возможность выбора: каждый раз по мере надобности составлять документ в произвольной форме (например, если такие мероприятия происходят не так уж и часто), или же, исходя из своих нужд, разработать шаблон документа самостоятельно (в этом случае его следует утвердить в учетной политике организации).

Независимости от того, какой именно способ будет выбран, при заполнении акта о завершении пусконаладочных работ нужно придерживаться некоторых стандартов. В частности, в нем надо обязательно указывать:

• названия компаний заказчика и исполнителя,
• персональные данные об их представителях (должности, ФИО сотрудников),
• дату и место составления документа,
• сведения об оборудовании, пуск и наладка которого производились,
• информацию о прилагаемых к акту документах.

К заполнению акта важно относиться очень серьезно, следует избегать неточностей и ошибок, не вносить в документ заведомо ложные сведения, которые могут привести к наказанию со стороны надзорных органов или же конфликтным ситуациям между самими контрагентами.

Правила оформления акта

Акт может быть оформлен на обычном листе А4 формата – это роли не играет, как и то, написан ли он в рукописном виде или же напечатан на компьютере.

Непреложное условие одно: он должен содержать оригиналы подписей представителей заказчика и исполнителя.

Печати со стороны предприятий на акте ставить также необязательно, так как с 2016 года юридические лица освобождены от необходимости визировать свои бумаги при помощи печатей и штампов.

Акт составляется в нескольких экземплярах, один из которых передается в надзорные органы (при необходимости), остальные (по одной копии) передаются на руки исполнителю и заказчику. Каждая из сторон должна хранить его в своем архиве на протяжении установленного законом периода.

Пример составления акта об окончании пусконаладочных работ

С точки зрения делопроизводства данный акт имеет довольно простую и понятную форму.

1. В начале документа, посередине пишется его наименование с указанием номера по внутреннему документообороту фирмы.
2. В следующей строке указывается населенный пункт, в котором происходит оформление документа, а также дата его составления.
3. Затем в акт вносятся сведения о представителях заказчика и исполнителя (они же по сути дела являются комиссией): здесь указываются
   • полные названия предприятий,
   • должности доверенных лиц,
   • их фамилии-имена-отчества.
4. Далее идет основной раздел документа, в котором подробнейшим образом прописываются следующие сведения:
   • период ведения пусконаладочных работ,
   • название компании-исполнителя,
   • а также данные о договоре, в соответствии с которым производились пусконаладочные работы.
5. Затем в документе фиксируется факт проведения работ с описанием оборудования, которое подверглось монтажу и запуску, вслед за чем стороны регистрируют то, что все действия производись в полном соответствии с требованиями, нормативами, инструкциями и законом, а также то, что установка полностью готова к работе.
6. Далее в акт вносятся прилагаемые документы и ставятся подписи представителей обеих сторон (с расшифровкой).

Если вторая сторона против подписания акта об окончании пусконаладочных работ

В тех случаях, когда исполнитель выполнил все работы в полном объеме и в срок, но заказчик не хочет подписывать данный документ, это нужно зафиксировать в отдельном акте с приведением причин, обосновывающих его решение. То же самое нужно сделать, если против подписания выступает исполнитель. В дальнейшем оба эти документа будут служить доказательством в судебном споре, если до него дойдет дело.

Теория информации | математика | Британника

Историческая справка

Интерес к концепции информации вырос непосредственно с появлением телеграфа и телефона. В 1844 году американский изобретатель Сэмюэл Ф. Морс построил телеграфную линию между Вашингтоном, округ Колумбия, и Балтимором, штат Мэриленд. Морс столкнулся со многими электрическими проблемами, когда отправлял сигналы через подземные линии передачи, но по необъяснимым причинам он столкнулся с меньшим количеством проблем, когда линии были подвешены на опорах. Это привлекло внимание многих выдающихся физиков, в первую очередь шотландца Уильяма Томсона (барон Кельвин). Точно так же изобретение телефона в 1875 году Александром Грэмом Беллом и его последующее распространение привлекло новых научных нотариусов, таких как Анри Пуанкаре, Оливер Хевисайд и Майкл Пупен, к проблемам, связанным с передачей сигналов по проводам. Большая часть их работы была выполнена с использованием анализа Фурье, метода, описанного далее в этой статье, но во всех этих случаях анализ был посвящен решению практических инженерных проблем систем связи.

Формальное изучение теории информации началось только в 1924 году, когда Гарри Найквист, исследователь из Bell Laboratories, опубликовал статью под названием «Некоторые факторы, влияющие на скорость телеграфа». Найквист понял, что каналы связи имеют максимальную скорость передачи данных, и вывел формулу для расчета этих скоростей в бесшумных каналах с конечной полосой пропускания. Еще одним пионером был коллега Найквиста Р. В.Л. Хартли, чья статья «Передача информации» (1928) заложила первые математические основы теории информации.

Настоящее рождение современной теории информации можно проследить до публикации в 1948 году книги Клода Шеннона «Математическая теория коммуникации» в Bell System Technical Journal . Ключевым шагом в работе Шеннона стало его осознание того, что для создания теории коммуникационные сигналы должны рассматриваться изолированно от смысла сообщений, которые они передают. Этот взгляд резко контрастирует с общепринятым представлением об информации, в котором значение играет важную роль.Шеннон также понял, что объем знаний, передаваемых сигналом, не связан напрямую с размером сообщения. Известной иллюстрацией этого различия является переписка между французским писателем Виктором Гюго и его издателем после публикации Les Misérables в 1862 году. Гюго отправил своему издателю открытку с единственным символом «?». Взамен он получил карточку с символом «!». В контексте отношений Хьюго со своим издателем и общественностью эти короткие сообщения были наполнены смыслом; без такого контекста эти сообщения бессмысленны. Точно так же длинное законченное сообщение на идеальном французском языке передаст мало полезных знаний тому, кто понимает только английский.

Шеннон, таким образом, мудро осознал, что полезная теория информации должна сначала сосредоточиться на проблемах, связанных с отправкой и получением сообщений, и она должна будет оставить вопросы, связанные с любым внутренним значением сообщения, известные как семантическая проблема, для более поздних исследователей. .Ясно, что если техническая проблема не может быть решена, то есть если сообщение не может быть передано правильно, то семантическая проблема вряд ли когда-либо будет решена удовлетворительно. Поэтому решение технической проблемы было первым шагом в разработке надежной системы связи.

Не случайно Шеннон работал в Bell Laboratories. Практическим стимулом для его работы были проблемы, с которыми он столкнулся при создании надежной телефонной системы. Ключевой вопрос, на который нужно было ответить на заре развития телекоммуникаций, заключался в том, как лучше всего оптимизировать физическое оборудование, в частности, как передавать максимальное количество телефонных разговоров по существующим кабелям.До работы Шеннона факторы достижения максимального использования не были четко поняты. Работа Шеннона определила каналы связи и показала, как назначить им пропускную способность, не только в теоретическом смысле, когда отсутствуют помехи или шум, но также и в практических случаях, когда реальные каналы подвергаются действительному шуму. Шеннон создал формулу, которая показывала, как ширина полосы канала (то есть его теоретическая пропускная способность) и его отношение сигнал / шум (мера помех) влияют на его способность передавать сигналы.При этом он смог предложить стратегии для максимального увеличения пропускной способности данного канала и показал пределы возможностей данной технологии. Это было очень полезно для инженеров, которые после этого могли сосредоточиться на отдельных случаях и понять конкретные возможные компромиссы.

Шеннон также сделал поразительное открытие, что даже в присутствии шума всегда можно передавать сигналы, сколь угодно близкие к теоретической пропускной способности канала. Это открытие вдохновило инженеров на поиски практических методов улучшения характеристик передачи сигналов, которые были далеки от оптимальных.В работе Шеннона четко разграничиваются выигрыши, которые могут быть реализованы путем принятия другой схемы кодирования, и выигрыши, которые могут быть реализованы только путем изменения самой системы связи. До Шеннона у инженеров отсутствовал систематический способ анализа и решения таких проблем.

Новаторская работа Шеннона, таким образом, представила множество ключевых идей, которыми с тех пор руководствовались инженеры и ученые. Хотя теория информации не всегда дает четкое представление о том, как достичь конкретных результатов, теперь люди знают, какие вопросы стоит задавать, и могут сосредоточиться на областях, которые принесут наибольшую отдачу.Они также знают, на какие вопросы сложно ответить, и в каких областях вряд ли можно получить большую отдачу от затраченных усилий.

С 1940-х и 1950-х годов принципы классической теории информации применялись во многих областях. В разделе «Приложения теории информации» рассматриваются достижения не только в таких областях телекоммуникаций, как сжатие данных и исправление ошибок, но и в отдельных дисциплинах физиологии, лингвистики и физики.Действительно, даже во времена Шеннона появилось много книг и статей, в которых обсуждалась взаимосвязь между теорией информации и такими областями, как искусство и бизнес. К сожалению, многие из этих предполагаемых отношений имели сомнительную ценность. Попытки связать теорию информации с каждой проблемой и каждой областью настолько обеспокоили самого Шеннона, что в редакционной статье 1956 года под названием «The Bandwagon» он выпустил следующее предупреждение:

Я лично считаю, что многие концепции теории информации окажутся полезными в этих других областях — и, действительно, некоторые результаты уже довольно многообещающие, — но создание таких приложений — нетривиальный вопрос перевода слов в новую область , а скорее медленный утомительный процесс гипотез и экспериментальной проверки.

Помня собственные слова Шеннона, мы можем теперь рассмотреть основные принципы классической теории информации.

Границы | Схема декодирования неполных моторных изображений ЭЭГ с сетью глубокого убеждения

Введение

Новая технология интерфейса мозг-компьютер (BCI) позволяет людям с тяжелыми нервно-мышечными нарушениями опорно-двигательного аппарата напрямую использовать свой мозг для работы или связи с внешними периферийными устройствами и окружающей средой (Daly and Wolpaw, 2008; McFarland and Wolpaw, 2011).А именно, система BCI предоставляет альтернативный интерфейсный мост, который может обходить обычные двигательные нейронные пути и сопоставлять намерения мозга с относительными управляющими командами (Ortiz-Rosario and Adeli, 2013). Активность мозга может быть охарактеризована различными модальностями сигнала, такими как инвазивная электрокортико-графия (ЭКоГ) (Miller et al., 2010; Hiremath et al., 2015), неинвазивная электроэнцефалограмма (ЭЭГ) (Lazarou et al. , 2018), функциональная магнитно-резонансная томография (fMRI) (Cohen et al., 2014) и функциональная ближняя инфракрасная спектроскопия (fNIRS) (Naseer and Hong, 2015).Благодаря своей управляемости, простоте захвата, высокому разрешению по времени и относительной экономической эффективности, сигнал ЭЭГ получил широкое распространение для важных приложений BCI, таких как дистанционное управление квадрокоптером (Lin and Jiang, 2015), реабилитация движения (Xu et al., 2011). ; Zhao et al., 2016), биометрической аутентификации (Palaniappan, 2008) и прогнозирования эмоций (Padilla-Buritica et al., 2016). В настоящее время электрофизиологические паттерны мозга, используемые в системах BCI на основе ЭЭГ, в основном представляют собой устойчивые зрительные вызванные потенциалы (SSVEP) (Chen et al., 2015; Чжан и др., 2015; Чжао и др., 2016; Nakanishi et al., 2018), P300 (Cavrini et al., 2016), сенсомоторные ритмы (SMR) (Yuan and He, 2014; He et al., 2015) и корковый потенциал, связанный с движением (MRCP, один вид медленный корковый потенциал) (Karimi et al., 2017). По сравнению с другими паттернами ИМК на основе SMR более гибок и подходит для практического применения из-за спонтанных сигналов ЭЭГ, которые генерируются людьми добровольно без каких-либо внешних стимулов.

SMR получены из моторных образов ЭЭГ, вызванных мысленным отображением движений конечностей без реальных действий (Yuan and He, 2014).Основными нейрофизиологическими явлениями являются синхронизация, связанная с событием (ERS), и связанная с событием десинхронизация (ERD) в SMR, которые одновременно индуцируются экзогенным событием. Изменчивость интенсивности или мощности ERS / ERD в определенных частотных диапазонах может использоваться для различения различных сигналов ЭЭГ воображения движения (Pfurtscheller et al., 2006; Koo et al., 2015). Некоторые замечательные системы BCI на основе SMR для классификации образов движения были созданы и применены в управлении инвалидными колясками (Li et al., 2013), управление объектами в двухмерном (Ma et al., 2017) или трехмерном пространстве (LaFleur et al., 2013) и управление роботизированной рукой (Xu et al., 2011; Meng et al., 2016). Однако по-прежнему существуют различные проблемы, с которыми сталкиваются при создании эффективных систем BCI на основе SMR, такие как меньшее количество распознаваемых моторных типов или состояний, очевидно более низкая скорость распознавания и более длительное время обучения (Yuan and He, 2014; He et al., 2015 ). Кроме того, из-за эффекта объемной проводимости кожи головы и черепа ЭЭГ представляет собой нестационарный и нелинейный динамический сигнал с низким отношением сигнал / шум и уязвим для помех или затопления сложных фоновых артефактов, что делает его действительно сложно точно расшифровать различные задачи воображения движения (Blankertz et al., 2011). Следовательно, ключевой вопрос, который необходимо решить, заключается в том, как улучшить производительность декодирования BCI на основе SMR в условиях различных артефактов.

Артефакты, влияющие на качество изображения движения на ЭЭГ, в основном содержат электроокулографию (ЭОГ), электромиографию (ЭМГ) и помехи от электрических линий. Традиционно могут быть доступны различные фильтры для ослабления или даже устранения помех в электросети и некоторых высокочастотных шумов, таких как ЭМГ (35 Гц выше).В прошлых исследованиях было предложено много типичных попыток уменьшить EOG, таких как метод на основе фильтров (Shoker et al., 2005), анализ независимых компонентов (ICA) (Lindsen and Bhattacharya, 2010) и дискретное вейвлет-преобразование (DWT). (Peng et al., 2013). Однако эти методы могут вызвать потерю некоторых полезных компонентов ЭЭГ. И процедуры ручной настройки параметров необходимы для достижения оптимальной производительности этих методов. Более того, они обычно выходят из строя, если ЭЭГ содержит сильные шумы.В противном случае сигналы ЭЭГ могут быть случайно перезаписаны или потеряны из-за неисправности оборудования или системы во время периодов записи. Для вышеупомянутых случаев вряд ли может быть достигнута хорошая производительность декодирования для систем BCI на основе SMR. Одно интуитивно понятное и беспомощное решение, позволяющее избежать таких крайних артефактов и потери данных, обычно состоит в том, чтобы отбросить все сильно нарушенные сегменты ЭЭГ. Следовательно, это вызывает некоторые дефекты, включая отсутствие результатов декодирования в течение определенного периода, дополнительный процесс отклонения ЭЭГ и увеличенное время обучения BCI.Более того, с практической точки зрения последовательное и плавное распознавание BCI-систем на основе SMR крайне необходимо для онлайн-приложений и долгосрочного применения. Для этого требуется, чтобы система BCI могла непрерывно декодировать сигналы мозга без каких-либо перерывов. Если целые сегменты ЭЭГ отбрасываются из-за сильных артефактов или потери данных, система BCI не может получить результаты декодирования в течение соответствующего временного интервала. Следовательно, очень важно декодировать неполные ЭЭГ образа движения для систем BCI на основе SMR в условиях экстремальных артефактов и потери данных.В настоящее время проведено лишь несколько исследований для определения эффективности декодирования неполных сигналов ЭЭГ. Zhang et al. применил метод на основе байесовского тензора факторизации, чтобы найти лежащий в основе тензор ЭЭГ низкого ранга из неполных сигналов ЭЭГ и повысить точность декодирования с надежностью после удаления артефактов и выбросов (Zhang et al., 2016). Cui et al. использовали полностью байесовский метод CP-факторизации для метода неполных тензоров для анализа и классификации неполных сигналов ЭЭГ с различными соотношениями пропущенных данных (Cui et al., 2016). Однако такие методы декодирования неполной ЭЭГ требуют сложных матричных и тензорных вычислений, которые неэффективны для онлайн-приложения BCI. Более того, точность классификации, полученная этими методами, требует дальнейшего улучшения.

В этой статье, чтобы улучшить производительность декодирования неполных образов движений ЭЭГ и удовлетворить потребности бесперебойной работы системы BCI, предлагается новая схема декодирования, состоящая из периодограммы Ломба-Скаргла (LSP) для извлечения признаков и сети глубоких убеждений (DBN). для классификации было предложено.Вместо того, чтобы отвергать весь сегмент ЭЭГ, части, на которые повлияли экстремальные артефакты или потеря данных, были непосредственно удалены, а оставшиеся части были использованы для построения неполных сигналов ЭЭГ с двигательными образами в этом исследовании. Как правило, наиболее надежным и репрезентативным признаком содержания различных изображений двигателя является спектральная мощность в определенных диапазонах ERS / ERD (Pfurtscheller et al., 2006). Обычное быстрое преобразование Фурье (БПФ) или периодограмма Велча могут быть доступны для оценки характеристик спектральной мощности для интактной ЭЭГ с образами движения.Тем не менее, эти методы спектрального анализа не могут хорошо работать с неравномерно дискретизированными сигналами (Stoica et al., 2009), такими как неполные сигналы ЭЭГ воображения движений. Метод LSP может обрабатывать сигналы, которые были дискретизированы неравномерно или имеют недостающие точки данных (Stoica et al., 2009; Stankovic et al., 2014), и подходит для обработки неполных сигналов. Следовательно, метод LSP был принят для извлечения основных характеристик спектральной мощности из неполных сигналов ЭЭГ изображений движения в этом исследовании.Структура DBN, основанная на ограниченных машинах Больцмана (RBM), была использована и оптимизирована для изучения различных классов ЭЭГ воображения движения. Предлагаемая схема может предложить следующие преимущества: (а) она может обеспечить сопоставимую производительность декодирования неполной ЭЭГ с образами движения с различной долей удаления данных; (b) извлеченные характеристики спектральной мощности более устойчивы для представления неполных моторных образов ЭЭГ; (c) Это применимо для последовательной и бесперебойной работы онлайн-системы BCI без каких-либо сбоев.

Остальные части данной статьи организованы следующим образом. Общая систематическая структура схемы декодирования неполной ЭЭГ воображения движения представлена ​​в разделе Общая структура схемы декодирования. Соответственно, в разделе «Конвейер обработки ЭЭГ» подробно описан конвейер обработки сигналов ЭЭГ, включая предварительную обработку артефактов и потери данных, извлечение спектральных характеристик и построение классификатора DBN. Эксперименты с моторными образами и наборы данных представлены в разделе Экспериментальная парадигма моторных образов и наборы данных.Некоторые результаты экспериментального сравнения и обсуждения приведены в разделе «Экспериментальные результаты и обсуждение». Наконец, в разделе «Выводы и будущие работы» представлены выводы и идеи для будущих работ.

Общая структура схемы декодирования

Целью нашего исследования является решение проблемы повышения точности и стабильности распознавания, связанной с различными задачами воображения движения для неполных сигналов ЭЭГ. Принципиальная схема всей системы декодирования проиллюстрирована на рисунке 1, который в основном объединяет три процедуры: предварительную обработку необработанной ЭЭГ, извлечение спектральных характеристик мощности и распознавание образов движения.Определенно, необработанные сигналы ЭЭГ были захвачены с помощью неинвазивных влажных электродов, расположенных на черепе головного мозга, когда люди выполняют различные задачи по воображению движения, такие как воображение движений конечностей. Процедура предварительной обработки была посвящена построению неполных наборов данных ЭЭГ изображений движения, которые охватывали полосовую фильтрацию, сегментацию скользящих окон и потерю данных или удаление шума. Сеть глубоких убеждений состояла из трех уровней предварительно обученных складывающихся RBM вместе с выходным слоем регрессии softmax.Характеристики спектральной мощности в определенных полосах частот, извлеченные с помощью периодограммы Ломба-Скаргла, были нормализованы для предварительной тренировки каждого слоя RBM и точной настройки весов DBN. Стохастические двоичные единицы использовались на этапе предварительного обучения для инициализации глубокой нейронной сети. Также были реализованы детерминированные действительные вероятности для корректировки весов соединений каждого уровня с помощью алгоритма обратного распространения ошибок. После этапа тонкой настройки обученный DBN использовался для декодирования соответствующих классов двигательных образов из неполной ЭЭГ, таких как намерение движения левой руки, правой руки или ноги.Структура каждого слоя в DBN была оптимизирована и определена различными групповыми экспериментами. Кроме того, для проверки жизнеспособности и эффективности предложенной схемы декодирования неполных сигналов ЭЭГ воображения движения были проведены смоделированные и обширные эксперименты для нескольких субъектов, различных методов извлечения признаков (БПФ или Велча) и классификаторов (контролируемые машины опорных векторов, SVM).

Рисунок 1 . Общая схема декодирования неполных сигналов ЭЭГ воображения движения на основе сети глубоких убеждений (DBN).

Трубопровод обработки ЭЭГ

Предварительная обработка

Чтобы исключить нежелательные компоненты интересующих сегментов ЭЭГ, была разработана процедура предварительной обработки для преобразования неповрежденной ЭЭГ со сложными артефактами или потерей данных в неполные сегменты ЭЭГ. По сути, конвейер предварительной обработки состоит из трех частей: (а) фильтрация сигнала, (б) сегментация скользящего окна и (в) удаление артефактов или потери данных. Более конкретно, фильтрация сигнала была посвящена уменьшению фоновых шумов, возникающих от экспериментальных, инструментальных и электрических или физиологических источников.Скользящие окна в основном отвечали за сегментирование ожидаемых фрагментов воображения движения из непрерывных сигналов ЭЭГ. Для сегментов ЭЭГ образа движения части с сильными артефактами или потерей данных были напрямую отброшены, а оставшиеся части были использованы для формирования неполных сигналов.

Фильтрация сигналов

Поскольку сигналы ЭЭГ содержат полезную информацию ниже 100 Гц, элементы шума выше этой частоты могут быть напрямую исключены с помощью фильтров нижних частот.Для воображаемой ЭЭГ феномен ERS / ERD, очевидно, проявляется в частотном диапазоне мю (8–12 Гц) и бета (18–26 Гц) диапазона ритмов (Pfurtscheller et al., 2006). Другими словами, полоса частот 8–30 Гц обладает наиболее разборчивой информацией, связанной с различными задачами воображения движения. В этом исследовании был применен полосовой фильтр Баттерворта пятого порядка с коэффициентом усиления 1,5 и частотой среза [8, 35] Гц для ослабления частотной составляющей определенных шумов при одновременном усилении интересующей полосы частот для классификации воображения движения.После фильтрации сигнала большая часть шума может быть удалена, например, ЭМГ (высокочастотный шум, выше 35 Гц), низкочастотный компонент EOG (ниже 8 Гц) и электрические помехи в линии (50 или 60 Гц). Кроме того, можно уменьшить смещение базовой линии, вызванное движениями головы или конечностей, чтобы уменьшить влияние на необработанные сигналы ЭЭГ.

Сегментация раздвижных окон

Для непрерывного записанного сигнала ЭЭГ мы просто сосредотачиваемся только на сегментах воображения движения. Затем отфильтрованные по полосе и непрерывные сигналы ЭЭГ были сегментированы по временному окну, которое соответствовало задаче пробного воображения движения.Более того, пробная задача по воображению движений требует многократного воображения движений конечностей в течение определенного времени, чтобы обеспечить стабильную и эффективную мозговую активность. В существующих исследованиях ЭЭГ с изображениями движения признаки могут быть извлечены либо путем использования всего испытания ЭЭГ, либо путем разделения испытания на несколько перекрывающихся / неперекрывающихся временных сегментов (Asensio-Cubero et al., 2011, 2013; AYDEMIR, 2016 ). Чтобы улучшить временное разрешение ЭЭГ и получить лучшую производительность классификатора, обычно применялось скользящее окно для разделения целевого испытания воображения движения на перекрывающиеся сегменты, которые можно использовать для множественных классификаций с помощью стратегии голосования (Herman et al., 2008; Шахид и Прасад, 2011 г .; Цой, 2012). В этом исследовании, вместо использования всей длины данных испытания ЭЭГ, четырехсекундное испытание ЭЭГ было разделено на 16 сегментов длиной 1 с с шагом 0,2 с с помощью скользящего окна 1 с с перекрытием 80%.

Удаление артефактов или потери данных

Даже если обработка фильтра выполнена, некоторые артефакты все еще могут существовать в сегментах ЭЭГ. Кроме того, остаточные элементы, возникающие из-за артефактов, могут перекрывать эффективную полосу частот, коррелированную с ЭЭГ образами движения.Например, артефакты EOG, возникающие в результате моргания глаз, обычно представлены в полосе частот 0–10 Гц. Высокочастотные элементы EOG, перекрывающиеся с полосами ERS / ERD, не могут быть легко исключены полосовыми фильтрами. С другой стороны, фильтры обычно неэффективны в случае сигнала с потерей данных. Вместо того, чтобы отвергать все сегменты ЭЭГ образа движения, была предложена дополнительная реализация предварительной обработки для устранения артефактов и потери данных. Для сегмента ЭЭГ, загрязненного крайними артефактами, весь сегмент ЭЭГ был разделен на блоки данных разной ширины.Ширина, которая представляет количество точек данных в каждом блоке данных, может быть сгенерирована в соответствии с нормальным распределением со средним значением 10 и стандартным отклонением 2. Была применена форма удаления блока данных для непосредственного отбрасывания блоков данных, содержащих серьезные артефакты. . Кроме того, в случае потери данных в сегменте ЭЭГ была использована форма удаления точек данных для устранения выбросов при обнаружении. Для двух форм удаления данных участки ЭЭГ, загрязненные крайними артефактами или потерями данных в пределах сегмента ЭЭГ, в этом исследовании были напрямую отброшены в пропорции от 10% до 80%.Например, в случае удаления 10% фрагментов данных, 10% фрагментов данных в 1-секундном сегменте ЭЭГ отбрасывались случайным образом. В случае удаления 10% точек данных, 10% точек данных (100 точек в этом исследовании) в 1-секундном сегменте ЭЭГ (1000 точек) были случайным образом отброшены. Впоследствии оставшиеся фрагменты или точки данных ЭЭГ были объединены для построения неполных сегментов ЭЭГ воображения движения.

Извлечение признаков на основе периодограммы Ломба-Скаргла

Решающим этапом в системе BCI является извлечение признаков, которое используется для поиска информации, связанной с умственными задачами, и наиболее разборчивых представлений о деятельности мозга для последующей классификации.Качество извлеченных функций сильно влияет на производительность следующего процесса распознавания. Для сигналов ЭЭГ с воображением движения мы сконцентрировались на спектральном анализе в определенных частотных диапазонах. Было подтверждено, что непараметрическое быстрое преобразование Фурье (БПФ) и периодограмма Велча эффективно оценивают характеристики спектральной мощности для ЭЭГ интактного воображения движения, такие как спектральная плотность мощности (СПМ) (Herman et al., 2008; Djemal et al. ., 2016). Однако из-за неполного воображения движения сигналы ЭЭГ принадлежат к разновидности неравномерно дискретизированной последовательности, эти методы могут не извлекать стабильные спектральные характеристики.В нашем исследовании периодограмма Ломба-Скаргла была принята для оценки характеристик спектральной мощности для неполных сегментов ЭЭГ с двигательными образами. Неполный сегмент ЭЭГ обозначается как X ∈ R ^{C × N} , где C — количество каналов, а N — длина сигнальных точек. Для каждого канала серия сигналов была обозначена как eeg ( t _i ), где i = 1, 2,…, N .

Периодограмма Ломба-Скаргла

Для серии сигналов eeg ( t _i ) спектральная мощность на частоте ω _f должна быть оценена путем решения следующей задачи аппроксимации суммы квадратов разностей:

Для простоты зависимость α и ϕ от ω _f заменена на

Задачу подгонки можно переформатировать с помощью члена a и b :

Соответственно, мощности для каждого сигнала канала на всей частоте ω могут быть получены с помощью

Аналогичным образом этап оценки был повторно выполнен для всех каналов неполных сегментов ЭЭГ воображения движения, чтобы извлечь соответствующие спектральные характеристики. Предыдущие исследования показали, что значительные колебания мощности в ответ на различные задачи воображения движения, в основном, расположены в диапазонах 8–30 Гц (Pfurtscheller et al., 2006; Shahid and Prasad, 2011).В этой статье соответствующая полоса была разделена на четыре поддиапазона с полосой пропускания 5 Гц, включая альфа (8–13 Гц), сигма (13–18 Гц), низкую бета (18–23 Гц) и высокую бета. (23–28 Гц) ритмы. Для каждого канала характеристики PSD каждого поддиапазона были вычислены путем усреднения мощностей в пределах частотного диапазона. Следовательно, все особенности PSD для сегментов ЭЭГ были объединены посредством расположения каналов в вектор признаков:

, где C — количество каналов.

Нормализация функций

Как правило, исходные характеристики могут быть напрямую введены в нейронную сеть или классификатор SVM, чтобы определить, к какому классу воображения движения принадлежит текущий сигнал ЭЭГ. Однако вариации спектральных характеристик, вызванные различными каналами или различными испытаниями воображения движения, могут повлиять на работу классификаторов. Чтобы устранить фактор вариации масштаба признаков и ускорить сходимость алгоритма обучения, в наборе векторов признаков V использовался шаг нормализации min-max.Обратитесь к (10), необработанные характеристики были разделены на разность максимума и минимума для масштабирования всех значений от 0 до 1.

где, v _max ( m ) = max { V ( m )}, v _min ( m ) = min { V ( м )}, м ∈ R ^{4 × C} .

Сеть глубокого убеждения, основанная на ограниченных машинах Больцмана

Учитывая преимущества высокоскоростных и параллельных вычислений, классификатор нейронной сети более подходит и эффективен для онлайн-приложения BCI, а обученные параметры можно напрямую использовать для различения новых сигналов ЭЭГ.В настоящее время созданы и применяются различные архитектуры глубокого обучения на основе нейронных сетей для классификации ЭЭГ изображений движения (Yang et al., 2015; Kumar et al., 2016; Tabar and Halici, 2016). В этом исследовании мы приняли структуру сети глубоких убеждений (DBN), чтобы получить более надежное и, в конечном счете, более заметное представление для неполной ЭЭГ с моторными образами. Структура DBN может быть сформирована несколькими уровнями сложенных в стопку ограниченных машин Больцмана (RBM) или автокодировщиков.

Машина Больцмана с ограничениями (RBM)

Каждый RBM состоит из видимого слоя, скрытого слоя и весов связи между двумя слоями, которые жадно тренируются в неконтролируемом режиме (Hinton et al., 2006; Tang et al., 2015). Базовая структура RBM представлена ​​на рисунке 2. Нейроны, используемые в RBM, представляют собой стохастические двоичные единицы. Традиционно видимый слой получает входные данные и имеет ненаправленные связи с нейронами скрытого слоя. Между тем нейроны из того же слоя отключены. Скрытый слой отвечает за восстановление входных данных как можно точнее путем многократной настройки весов соединений и смещений. Для моторных образов ЭЭГ каждый видимый нейрон представляет собой спектральный элемент с гипотетическим гауссовым распределением.Энергетическая функция совместной конфигурации двух слоев определяется как

, где v _i и h _j — двоичные состояния в видимом нейроне i и скрытом нейроне j соответственно. b _i и a _j — соответствующие смещения нейронов, w _ij — вес связи между ними.На основе распределения Больцмана и функции энергии совместная вероятность для пары видимого и скрытого слоев определяется как

, где Z = ∑v, he-E (v, h) обозначает статистическую сумму или нормировочный член.

Рисунок 2 . Базовая структура ограниченной машины Больцмана (RBM).

Учитывая, что скрытые нейроны условно независимы из-за отсутствия связей между ними, для видимого вектора v , условная вероятность нейрона h _j , равная 1, может быть получена следующим образом:

Аналогично, для данного скрытого вектора h условная вероятность того, что видимый нейрон v _i будет равна 1, может быть определена с помощью

, где σ (•) обозначает логистическую сигмовидную функцию.

Учитывая набор обучающих данных S = {s1, s2,…, sns}, n _s — количество обучающих выборок, параметры RBM обучаются, чтобы соответствовать обучающим выборкам, максимизируя функцию логарифмического правдоподобия. , включая соединительные веса w , смещения a и b .

На основе методов градиентного подъема и контрастной дивергенции (Hinton et al., 2006) производная логарифма правдоподобия по весам w может быть сформулирована как

, где E _данные [•] и E _модель [•], соответственно, являются ожидаемыми при распределении набора обучающих данных и модели.Далее градиент можно переписать на

Метод контрастной дивергенции можно использовать для приблизительной оценки математического ожидания. E _данные [ v _i h _i ]. Метод выборки Гиббса может быть использован для расчета математического ожидания. E _модель [ v _i h _i ].Следовательно, правило обучения весов соединений может быть получено с помощью

Аналогично, правила обновления смещений соответственно равны

и

, где η и ε определяют скорость обучения. В соответствии с правилами обновления параметров каждый RBM обучается восстанавливать входные данные неконтролируемым образом.

Сеть глубокого убеждения

Три уровня RBM были наложены друг на друга, чтобы построить сеть глубоких убеждений со слоем регрессии softmax в исследовании, как показано на рисунке 1.Необработанные входные данные подавались на нижний уровень RBM, а выходные данные скрытого слоя из более низкого RBM доставлялись на видимый уровень из более высокого RBM. По сравнению с логистической регрессией, регрессия softmax использовалась для решения задач распознавания нескольких классов путем статистической оценки максимальной вероятности класса, к которому принадлежит выборка (Салахутдинов и Хинтон, 2012). Процедуры ДБН в основном состояли из этапа предварительной подготовки и этапа тонкой настройки. Предварительный этап обучения проводился на каждом уровне RBM для получения исходных параметров DBN.Регрессия softmax была добавлена ​​для получения ошибки прогнозирования для оптимизации параметров с помощью алгоритма обратного распространения ошибки на этапе точной настройки. Кроме того, во избежание переобучения в функцию затрат регрессии softmax были включены некоторые условия ограничений, в том числе снижение веса и ограничение разреженности (Cho, 2013; Plis et al., 2014; Jiang et al., 2016). В нашем исследовании снижение веса было установлено на 0,05, а ограничение разреженности было установлено на 0,1. Скорость обучения для весов связей и смещений была установлена ​​на 0.5 и 0,25 соответственно. Все эти параметры были определены и оптимизированы с помощью процедуры поиска по сетке с 5-кратной перекрестной проверкой.

Экспериментальная парадигма моторных изображений и наборы данных

В нашем исследовании девять добровольцев-правшей (все мужчины, средний возраст 26,5 лет, от 25 до 28 лет, номера S01-S09) с тонкими волосами участвовали в экспериментах с воображением движения. Все испытуемые были здоровы, без каких-либо неврологических, психических или когнитивных расстройств в анамнезе. В частности, ни один из них не имел опыта эксперимента BCI, связанного с воображением движения.Кроме того, всем участникам были объяснены детали экспериментальных процедур с воображением движения, и перед экспериментом для всех испытуемых было подписано письменное информированное согласие. Протокол эксперимента был рассмотрен и одобрен местным комитетом по этике Университета Китайской академии наук.

В среде с электромагнитной защитой участники сидели в удобном кресле с подлокотниками и наблюдали за ЖК-экраном с расстояния около 1 м, надев колпачок для записи ЭЭГ.Были выполнены три вида задач на воображение движения, включая воображение движений левой, правой руки и стопы. Перед экспериментом инструктор объяснил участникам смысл кинестетических образов движений конечностей. Кроме того, все участники выполняли практику воображения движений, чтобы познакомиться с кинестетическим ощущением. Каждый участник провел экспериментальный блок из 10 сеансов, который длился ~ 1,5 часа. Все сеансы выполнялись в одинаковых условиях, а между двумя последовательными сеансами давался период отдыха продолжительностью несколько минут.Парадигма эксперимента для каждого сеанса была разработана на рисунке 3. Для всех сеансов первые 2 секунды были в состоянии ожидания с черным экраном. Впоследствии в центре экрана появился фиксирующий зеленый крест с длительностью 1 с, чтобы обозначить начало одного испытания. Сразу же появилась красная стрелка, указывающая влево, вправо или вниз, длительностью 5 с в дополнение к крестику фиксации. В этот конкретный период испытуемые были проинструктированы выполнять соответствующие задачи по воображению движения в соответствии с направлением стрелки, например, вообразить повторяющееся сгибание и разгибание пальцев левой или правой рукой с частотой приблизительно 1 Гц.Между тем, субъект должен уделять внимание тому, чтобы как можно больше представить кинестетический опыт движений конечностей. Кроме того, чтобы свести к минимуму артефакты, участников попросили ограничить движения головой и постараться не моргать и не глотать во время периода воображения движения. Во время интервала между испытаниями метка стрелки и крест фиксации исчезли с оставшимся черным экраном в течение 2 с, и субъекту было дано указание выполнить состояние ожидания вместо воображения движений. Чтобы избежать адаптации мозговой активности к заданной задаче воображения движения, каждая из трех реплик подавалась 10 раз в случайной последовательности в каждом сеансе.Следовательно, есть 30 попыток на сеанс. Для каждого испытуемого в эксперименте проводится всего 300 попыток выполнения задач на воображение движения.

Рисунок 3 . Экспериментальная парадигма воображения движения ЭЭГ.

Во время задач по воображению движения сигналы ЭЭГ собирались через сетку с 64 пассивными электродами Ag / AgCI, предоставленными Plexon Inc., США. Множественные электроды с расстоянием разделения примерно 3 см были близко расположены на крышке в соответствии с международной системой позиционирования 10–20.В каждый электрод вводили сверхпроводящие клеи или гели для более высокой проводимости и лучшего крепления. Левый сосцевидный электрод использовался в качестве контрольного канала, а правый сосцевидный электрод служил заземлением. Исходные данные ЭЭГ были записаны с частотой дискретизации 1 кГц системой сбора нейронных данных OmmiPlex (Plexon Inc., США), включая аналоговое предварительное усиление, аналого-цифровое преобразование и фильтр нижних частот с частотой среза. ~ 200–300 Гц. Дополнительный режекторный фильтр с частотой 50 Гц был применен для устранения артефактов линии электропередачи.Наконец, записанные сигналы ЭЭГ образа движения для каждого испытуемого были сохранены в виде раз × каналов × проб с 5000 × 64 × 300.

Для получения ЭЭГ доминирующего воображения движения из каждого испытания вырезали 4-секундный сегмент от 0,5 с после сигнала до 4,5 с. Как упоминалось в разделе «Конвейер обработки ЭЭГ», данные дополнительно подвергались полосовой фильтрации и сегментировались с помощью скользящего окна. Следовательно, наборы данных воображения движения были представлены трехмерным массивом размером 1000 × 64 × 4800 для каждого субъекта, где 1000 — длина временного окна (1 с), 4800 — количество сегментов воображения движения, содержащих три класса, 64 — количество каналов.Для каждого сигнала канала было четыре характеристики спектральной мощности, оцененные методом периодограммы Ломба-Скаргла. Затем все образцы наборов данных с характеристиками составляли 4800 × 256 для каждого объекта, где 256 — это количество функций (4 × 64 канала). Наборы данных были случайным образом разделены на 75% обучающих наборов данных (3600 × 256) и 25% тестовых наборов данных (1200 × 256).

Результаты экспериментов и обсуждения

Сравнение моделирования с различными методами спектральной оценки

Чтобы оценить эффективность метода Ломба-Скаргла для неполных сигналов, моделируемый сигнал был разработан путем смешивания двух синусоидальных сигналов с доминирующей частотой 4 Гц и 8 Гц, соответственно.Соотношение амплитуд синусоидального сигнала от 4 Гц до 8 Гц было установлено на 0,75. Для смоделированного сигнала точки данных с определенной долей были случайным образом удалены для построения неполных или нерегулярных сигналов. Кроме того, для сравнения с периодограммой Ломба-Скаргла, традиционные методы периодограммы Велча и БПФ также применялись для оценки спектральной мощности для различных неполных сигналов.

Расчетные спектральные мощности для неповрежденного сигнала и неполного сигнала с различной степенью пропущенных данных приведены на рисунке 4.Для смоделированного сигнала точки данных были удалены на пропорцию от 10 до 80% с шагом 10%. Между тем, мощности были нормализованы к той же шкале путем деления коэффициента, который представлял собой значение доли оставшихся данных. Из рисунка 4 видно, что спектральные составляющие на доминирующей частоте 4 и 8 Гц становятся все более и более незначительными с увеличением пропорционального удаления данных для всех трех методов оценки. В частности, спектральные мощности явно ухудшились после удаления 30% данных.Однако спектральные мощности, оцененные с помощью периодограммы Ломба-Скаргла, были более заметными, чем те, которые были оценены методом Велча или БПФ для различных неполных сигналов (значение p из парного теста t было <0,05). Действительно, составляющие 4 Гц и 8 Гц были хорошо получены для неполного сигнала даже при удалении 80% данных. Он продемонстрировал, что по сравнению с традиционными методами спектрального анализа, такими как FFT и Welch, метод LSP может оценивать более стабильные и оптимальные спектральные характеристики по различным неполным или нерегулярным сигналам.Было доказано, что LSP особенно подходит для оценки компонентов ритма в неравномерно дискретизированных сигналах (Stoica et al., 2009).

Рисунок 4 . Приведены результаты сравнения оценок спектральной мощности для полного сигнала и неполного сигнала с различным пропорциональным удалением (от 10 до 80% с шагом 10%). Использовались три метода оценки: Ломба-Скаргла, Велча и периодограмма БПФ.

Неполная Моторная визуализация ЭЭГ: форма для удаления точек и форма для удаления фрагментов

Для систематической проверки способности различения характеристик PSD, извлеченных методом LSP для неполной ЭЭГ, были приняты две формы для случайного удаления частей из неповрежденных сегментов воображения движения для построения неполных сигналов.В случае потери данных была применена форма удаления точек данных для устранения выбросов ЭЭГ, вызванных высоким контактным сопротивлением между электродами и кожей головы. На рисунке 5 представлены характеристики распознавания интактной ЭЭГ и неполной ЭЭГ с различными пропорциями удаления точек данных для девяти субъектов, полученная классификатором DBN с помощью трех методов извлечения признаков (БПФ, Велча и Ломб-скаргла). Для упрощения три метода были обозначены как FFT + DBN, Welch + DBN и Lomb-Scargle + DBN соответственно.С общей точки зрения, точность распознавания постепенно снижалась вместе с возрастающей долей удаления точек данных для всех трех методов на Рисунке 5. Для ЭЭГ с интактными образами движения средняя точность (± стандартное отклонение) по девяти испытуемым была 72,27% (± 1,33%) для FFT + DBN, 73,26% (± 1,44%) для Welch + DBN, 74,77% (± 0,43%) для Lomb-Scargle + DBN соответственно. Не было существенной разницы ( p > 0,078, парный t -тест) между средней точностью Lomb-Scargle + DBN и другими методами для интактной ЭЭГ у всех испытуемых.Из этого можно сделать вывод, что по сравнению с методами БПФ и Велча, метод LSP может не обеспечивать высококачественные характеристики PSD для ЭЭГ с интактными образами движения. В частности, для интактной ЭЭГ субъекта 1 (S01) точность Welch + DBN была выше, чем точность Lomb-Scargle + DBN. Принимая во внимание вычислительную сложность и эффективность, не рекомендуется применять Lomb-Scargle + DBN для классификации ЭЭГ интактных образов движения. Однако вариация точности Lomb-Scargle + DBN была явно меньше, чем у FFT + DBN и Welch + DBN для неполной ЭЭГ с разными коэффициентами удаления точек.Более конкретно, для неполной ЭЭГ с удалением точек в диапазоне от 10 до 80% средняя разница в точности по девяти субъектам составила 13,38% (± 2,67%) для FFT + DBN, 13,08% (± 3,07%) для Welch. + DBN и 7,45% (± 1,18%) для Lomb-Scargle + DBN соответственно. Он продемонстрировал, что эффективность классификации Lomb-Scargle + DBN была значительно лучше по сравнению с FFT + DBN ( p = 0,012 <0,05, парный тест Стьюдента t -тест) и Welch + DBN ( p = 0,008 <0.01, парный тест Стьюдента t -тест) для ЭЭГ неполной двигательной активности. Неявно, характеристики спектральной мощности, извлеченные с помощью периодограммы Ломба-Скаргла, могут значительно повысить точность классификации DBN для различных степеней неполной ЭЭГ. Приемлемая точность классификации (выше 65%) может быть достигнута методом Ломба-Скаргла + DBN, даже когда 80% точек были исключены, в то время как точность FFT + DBN и Welch + DBN составляла ~ 60% или даже ниже. Интересно, что из рисунка 5 мы можем обнаружить, что точность неполной ЭЭГ после удаления 30% точек данных резко и существенно снизилась.В частности, в случае субъекта 1 (наборы данных ЭЭГ S01) точность, полученная с помощью FFT + DBN или Welch + DBN, примерно варьировалась от 70 до 53% для неполной ЭЭГ между 30 и 80% удалением точек данных. Этот вывод означал, что характеристики спектральной мощности заметно ухудшились для методов БПФ и периодограммы Велча, что соответствовало предыдущему сравнению моделирования.

Рисунок 5 . Результаты классификации интактной ЭЭГ и неполной ЭЭГ с различными соотношениями удаления точек данных (от 10 до 80% с шагом 10%) для девяти субъектов (от S01 до S09).Для сравнения использовались три метода выделения спектральных характеристик: черные линии, красные линии и синие линии представляют точность DBN с выделением признаков БПФ, Уэлча и Ломба-Скаргла соответственно.

Точно так же, чтобы устранить эффекты экстремальных артефактов, была принята форма блока данных для удаления участков ЭЭГ, загрязненных огромными электрофизиологическими артефактами или сложными фоновыми шумами. Соответствующие результаты классификации интактной и неполной ЭЭГ с различными соотношениями удаления фрагментов данных представлены на рисунке 6.По сравнению с удалением точек данных, точность неполной ЭЭГ резко и значительно снизилась при различных степенях удаления фрагментов данных ( p = 0,022 <0,05, парный тест Стьюдента t -тест). В частности, средняя точность неполной ЭЭГ с удалением 80% фрагментов данных составила 51,03% (± 2,23%), 51,47% (± 1,60%) и 64,17% (± 0,63%), что значительно ниже, чем для неполной ЭЭГ с Удаление точек данных на 80% на 58,13% (± 2,52%), 59,15% (± 2,87%) и 66.44% (± 1,13%) для FFT + DBN, Welch + DBN и Lomb-Scargle + DBN соответственно. Чаще и точнее средняя разница в точности для неполной ЭЭГ с удалением фрагментов в диапазоне от 10 до 80% по девяти субъектам составляла 20,51% (± 2,39%), 19,68% (± 2,21%) и 9,30% ( ± 1,17%) для FFT + DBN, Welch + DBN и Lomb-Scargle + DBN соответственно. Статистический анализ показал, что предложенный метод Lomb-Scargle + DBN для неполной ЭЭГ постоянно и значительно превосходит два других метода ( p = 0.007 <0,01 для FFT + DBN и Lomb-Scargle + DBN, p = 0,007 <0,01 для Welch + DBN и Lomb-Scargle + DBN, парный тест Стьюдента t ). Более того, точность неполной ЭЭГ в условиях удаления фрагментов данных варьировалась заметно выше, чем в условиях удаления точек данных ( p <0,05, парный t -тест). Это можно объяснить тем фактом, что, за исключением крайних артефактов, информативные сигналы, соответствующие задачам воображения движения, также были устранены формой фрагмента в тех же загрязненных сегментах.Таким образом, для неполной ЭЭГ с удалением фрагментов данных извлеченные спектральные мощности мю / бета-ритмов, связанных с задачами воображения движения, были относительно ниже, чем для неполной ЭЭГ с удалением точек данных.

Рисунок 6 . Результаты классификации интактной ЭЭГ и неполной ЭЭГ с различными соотношениями удаления фрагментов данных (от 10 до 80% с шагом 10%) для девяти субъектов (от S01 до S09). Для сравнения использовались три метода выделения спектральных характеристик: черные линии, красные линии и синие линии представляют точность DBN с выделением признаков БПФ, Уэлча и Ломба-Скаргла соответственно.

Кроме того, в таблице 1 представлены общие характеристики распознавания неполной ЭЭГ при различных степенях удаления точек и фрагментов. Результаты (среднее ± стандартное отклонение) были получены путем усреднения точности для неполной ЭЭГ с различным соотношением точек и фрагментов. удаление в пределах от 10 до 80%. Можно заметить, что результаты классификации Lomb-Scargle + DBN были значительно выше, чем у FFT + DBN и Welch + DBN, как для неполной ЭЭГ с удалением точек, так и с удалением фрагментов.Инкрементальные характеристики между Lomb-Scargle + DBN и FFT + DBN составили 5,48%, 6,60% для неполной ЭЭГ с удалением точек и фрагментов соответственно. Значения p , вычисленные парным тестом Стьюдента t этого сравнения, были все <0,001. Аналогичным образом, дополнительные характеристики между Lomb-Scargle + DBN и Welch + DBN составили 4,67%, 6,44% для неполной ЭЭГ с удалением точек и фрагментов соответственно. Значения p , вычисленные парным тестом Стьюдента t этого сравнения, также были <0.001. Кроме того, с точки зрения стандартного отклонения, метод Lom-Sacrgle + DBN (2,68% для точечной формы, 3,58% для формы фрагмента) показал значительно меньшую изменчивость, чем FFT + DBN (5,08% для точечной формы, 7,70% для фрагмента). form) и Welch + DBN (4,93% для точечной формы, 7,49% для чанковой формы). Таким образом, очевидно, что метод Lomb-Scargle + DBN может значительно и неуклонно улучшать характеристики распознавания для ЭЭГ с различными неполными образами движения.

Таблица 1 .Выполнение статистической классификации неполной ЭЭГ с удалением точек и фрагментов.

Сравнение DBN с различными структурами

Следует отметить, что структуры ДБН, принятые в неполных экспериментах по ЭЭГ, были определены и выбраны методом оптимизации. Как упоминалось ранее, DBN был построен с помощью трех скрытых слоев предварительно обученных RBM и выходного уровня регрессии softmax. Для этого исследования на входной слой DBN было подано 256 размерных векторов.Следовательно, размер входного слоя составлял 256. Кроме того, три единицы использовались в выходном слое регрессии softmax, что соответствовало трем задачам воображения движения. Чтобы получить соответствующие оптимальные параметры, было перепробовано различное количество единиц для трех скрытых слоев. Более конкретно, в одном скрытом слое использовалось разное количество единиц, варьирующееся в пределах диапазона, в то время как количество единиц в оставшихся двух скрытых слоях не изменялось. Поскольку выбор оптимальных параметров DBN был комбинаторным процессом, который быстро давал сравнимые решения.Чтобы оценить чувствительность скрытых слоев к изменению номеров единиц, была применена 5-кратная перекрестная проверка для классификации моторных образов ЭЭГ. Для каждого испытуемого интактная ЭЭГ и неполная ЭЭГ с различными коэффициентами удаления данных были разделены на 5 секций, в которых 4 секции были приняты для обучения, а оставшаяся секция использовалась для тестирования. Средние показатели были получены при повторном 5-кратном выполнении процедур. Кроме того, все оценки проводились по признакам, извлеченным с помощью периодограммы Ломба-Скаргла.

Для первого скрытого слоя количество единиц варьировалось в диапазоне [15 30 45 60 75 90], в то время как количество единиц в двух других скрытых слоях сохраняло постоянное значение с 50 и 35 единицами, соответственно. Соответствующее сравнение характеристик классификации для DBN с различным количеством единиц в первом скрытом слое представлено в таблице 2. Результаты показали, что максимальная средняя точность 71% была получена при условии 60 единиц первого скрытого слоя.Точность декодирования была заметно улучшена в 60 единицах по сравнению с другим количеством единиц для первого скрытого слоя ( p <0,05, парный тест Стьюдента t -тест). Точно так же в таблице 3 приведены характеристики второго скрытого слоя, изменяющиеся на [10 20 30 40 50 60] единиц, с двумя другими скрытыми слоями на 60 и 35 единиц соответственно. Точность 50 единиц во втором скрытом слое (около 72%) была значительно выше, чем у других чисел ( p <0.05, парный Студенческий t -тест). Таблица 4 представляет результаты третьего скрытого слоя, взявшего единицы из [25 30 35 50 70 85], когда два других скрытых слоя 60 и 50 единиц соответственно. Можно заметить, что характеристики 35 единиц в третьем скрытом слое значительно отличались по сравнению с другими количествами единиц ( p <0,01, парный тест Стьюдента t -тест). Процесс настройки параметров был очень утомительным и сложным для BDN. Тем не менее, изменение точности классификации было ниже 10% для задач на воображение движения с разным количеством единиц в трех скрытых слоях.Было высказано предположение, что классификатор DBN был устойчивым по отношению к вариациям сетевой структуры. Вкратце, структура DBN, используемая в этом эксперименте, была 256 × 60 × 50 × 35 × 3.

Таблица 2 . Сравнение точности классификации на основе различного количества единиц в первом скрытом слое для девяти предметов.

Таблица 3 . Сравнение точности классификации на основе различного количества единиц во втором скрытом слое для девяти предметов.

Таблица 4 . Сравнение точности классификации на основе различного количества единиц в третьем скрытом слое для девяти предметов.

Сравнение DBN и SVM

В этой серии экспериментов сравнивались характеристики DBN и SVM в отношении точности распознавания неполной ЭЭГ в случае удаления точки и удаления фрагмента соответственно. Как описано ранее, периодограмма Ломба-Скаргла может извлекать эффективные и надежные спектральные характеристики для различных неполных ЭЭГ для повышения эффективности классификации.Следовательно, классификаторы DBN и SVM выполнялись на одних и тех же наборах классов объектов, извлеченных методом Ломба-Скаргла. Для трех задач визуализации движения были построены три двоичных SVM с ядром радиальной базисной функции (RBF), чтобы получить окончательную точность с помощью стратегии голосования большинством. Соответствующие параметры двоичной SVM были оптимизированы с помощью уловки поиска по сетке (Quitadamo et al., 2017) в диапазоне [-5 5], например, параметр регуляризации C и ширина ядра σ RBF. Кроме того, был применен метод 5-кратной перекрестной проверки, чтобы избежать переобучения для обоих классификаторов.

На рисунках 7, 8 представлены результаты сравнения между DBN и SVM для интактной и неполной ЭЭГ в случае удаления точки и удаления фрагмента (соотношения от 10 до 80% с шагом 10%) соответственно. Для ЭЭГ с интактными образами движения показатели DBN и SVM у девяти испытуемых не имели значимой разницы ( p = 0,062> 0,05, парный тест Стьюдента t ) со средней точностью 74,77% (± 0,44%). , 73,74% (± 0,78%) соответственно. Из рисунка 7 видно, что общая производительность DBN для неполной ЭЭГ с разными коэффициентами удаления точек была лучше, чем у SVM.В частности, для субъектов 5, 8 и 9 (наборы данных ЭЭГ S05, S08 и S09) точность DBN для неполной ЭЭГ после удаления 30% точек данных, очевидно, улучшилась со средним приращением 2,64%. . Однако для неполной ЭЭГ с разными соотношениями удаления фрагментов данных улучшение точности DBN не было значительным по сравнению с SVM. Для некоторых субъектов, таких как субъекты 2, 3, 4 и 9, SVM может превзойти DBN для неполной ЭЭГ с удалением фрагментов в некоторой степени (см. Рисунок 8).

Рисунок 7 . Сравнительные характеристики между классификаторами DBN и SVM для интактной ЭЭГ и неполной ЭЭГ с различными коэффициентами удаления точек данных (от 10 до 80% с шагом 10%) для девяти субъектов (от S01 до S09).

Рисунок 8 . Сравнительные характеристики между классификаторами DBN и SVM для интактной ЭЭГ и неполной ЭЭГ с различными соотношениями удаления фрагментов данных (от 10 до 80% с шагом 10%) для девяти субъектов (от S01 до S09).

Для дальнейшего пояснения в таблице 5 представлены средние значения точности (± стандартное отклонение) DBN и SVM по неполной ЭЭГ с различными коэффициентами удаления данных (от 10 до 80% с шагом 10%), включая случай удаления точек и удаления фрагментов соответственно. Как показано, для неполной ЭЭГ с методом удаления точек средняя эффективность классификации DBN (70,72 ± 2,65%) была выше, чем у SVM (69,89 ± 3,08%) для девяти субъектов.Для случая удаления точки вычисление значения p из теста Стьюдента t между DBN и SVM составило 0,021 <0,05. Более того, DBN привел к относительно более низкой вариабельности по сравнению с SVM со средним стандартным отклонением 2,65% и 3,08% соответственно. Эти результаты показали, что DBN превосходит SVM для неполной классификации ЭЭГ с точки зрения удаления точек. В то время как в случае удаления фрагментов повышение точности между DBN (68,86 ± 3.58%) и SVM (68,74 ± 3,53%) ниже, чем в случае удаления точки. И не было статистической разницы между DBN и SVM ( p = 0,79> 0,50, парный тест Стьюдента t ) для неполной ЭЭГ с удалением фрагментов. Это может быть связано с тем, что по сравнению с неполной ЭЭГ с удалением точек извлеченные признаки из неполной ЭЭГ с удалением фрагментов были относительно плохими и ослабляли производительность DBN и SVM. Однако вполне вероятно, что DBN может работать лучше, чем SVM для классификации образа движения неполной ЭЭГ, когда параметры тонко настроены и добавлены дополнительные слои.

Таблица 5 . Выполнение статистической классификации DBN и SVM для неполной ЭЭГ с удалением точек и фрагментов.

Выводы и будущие работы

В этом исследовании была предложена схема декодирования на основе комбинации LSP и DBN для распознавания неполных сегментов ЭЭГ воображения движения. Для построения неполных сегментов ЭЭГ использовалась форма удаления точек и фрагментов, соответственно, для случайного и пропорционального удаления неинтересной точки или части ЭЭГ.Форма удаления точек в основном использовалась для устранения выбросов в сегментах ЭЭГ из-за потери данных. И форма удаления фрагментов использовалась для исключения частей в сегментах ЭЭГ из-за сильных артефактов. Метод LSP был использован для извлечения надежных характеристик спектральной мощности мю / бета-ритмов, связанных с задачами воображения движения для неполной ЭЭГ. DBN состоял из трех уровней группирования ограниченных машин Больцмана (RBM), а слой регрессии softmax был разработан для выполнения классификации движений.Поскольку это было предварительное исследование, удаление фрагментов и точек производилось случайным образом. Однако для реального приложения требовался более конкретный процесс поиска, чтобы определить, какие фрагменты или точки следует удалить.

Для подтверждения эффективности предложенной схемы декодирования неполной ЭЭГ были проведены и оценены различные сравнительные эксперименты на моделированном сигнале и реальной ЭЭГ с изображениями движения, включая сравнение различных методов оценки спектральной мощности (БПФ, Уэлча и Ломба-Скаргла) и разные классификаторы (ДБН и СВМ).Для сравнения моделирования с тремя методами спектральной оценки результаты показывают, что метод Ломба-Скаргла может извлекать более стабильную и заметную спектральную мощность для неполных или нерегулярных сигналов. Кроме того, особенности PSD, извлеченные с помощью трех методов оценки, были распознаны с использованием классификатора DBN, и точность классификации Lomb-Scargle + DBN не была значительно снижена по сравнению с FFT + DBN и Welch + DBN для неполной ЭЭГ с двигательными образами с увеличением доля удаления точки или удаления куска (от 10% до 80% с шагом 10%).Эти результаты предполагают, что Lomb-Scargle + DBN может привести к значительному и неуклонному улучшению характеристик распознавания для неполной ЭЭГ с воображением движения. Статистический анализ значимости между Lomb-Scargle + DBN и FFT + DBN или Welch + DBN был менее 0,05 для неполной ЭЭГ в случае удаления точки и удаления фрагмента. После трех групп экспериментальных тестов и сравнений структура DBN была определена как 256 × 60 × 50 × 35 × 3, чтобы улучшить эффективность обучения DBN.Расширенное сравнение между DBN и SVM показало, что DBN превосходит SVM для неполной ЭЭГ с точки зрения удаления точек. Более того, для классификации ЭЭГ интактных двигательных образов не было существенной разницы в средней точности ( p > 0,078, парный t -тест) между Lomb-Scargle + DBN и другими методами (FFT + DBN и Welch + DBN). Принимая во внимание вычислительную сложность и эффективность, не рекомендуется применять Lomb-Scargle + DBN для классификации ЭЭГ интактных образов движения.Таким образом, предложенная схема декодирования подходит для повышения эффективности классификации неполной ЭЭГ с воображением движения. Это означает, что вместо того, чтобы отклонять весь сегмент, сегмент ЭЭГ образа движения с потерей данных или сильными артефактами все еще может использоваться для получения сопоставимых результатов классификации, когда затронутые части удалены.

Благодаря декодированию неполной ЭЭГ предложенная схема будет полезна для улучшения стабильности, плавности и поддержания непрерывных выходных сигналов для системы BCI.В частности, для онлайн-систем BCI намерения субъектов непрерывно декодируются из сигналов ЭЭГ без прерывания. В дальнейшей работе будет проведен онлайн-тест на основе воображения движения ЭЭГ для оценки достоверности предложенной схемы декодирования неполных сигналов. Кроме того, поскольку периодограмма Ломба-Скаргла особенно подходила для оценки компонентов ритма в неравномерно выбранных сигналах (Stoica et al., 2009), она может быть применима к другим модальностям сигнала ЭЭГ, связанным со спектральным анализом.Например, предложенный метод можно применить для декодирования неполной ЭЭГ SSVEP. Для структуры DBN могут быть реализованы более специализированные процедуры для дальнейшего повышения производительности декодирования, такие как добавление уровней RBM и использование алгоритмов поиска для оптимизации гиперпараметров DBN. Кроме того, оптимальные полосы частот, связанные с соответствующими задачами по воображению движения, могут быть дополнительно исследованы, чтобы повысить общую производительность предлагаемого метода. Для обработки сегментации скользящего окна с 80% перекрытием была обнаружена корреляция между 16 образцами из одного и того же исследования ЭЭГ.Этот фактор может повлиять на эффективность предложенного метода неполной классификации ЭЭГ. В следующей работе, аналогичной исследованию Асенсио-Куберо и др., Необходимо провести сравнительное исследование, применяя предложенный метод к трем различным стратегиям сегментации: (1) без сегментации, применяя предложенный метод непосредственно ко всей ЭЭГ. испытание, (2) равномерная сегментация без перекрытия и 3) сегментация с различным перекрытием (метод скользящего окна) (Asensio-Cubero et al., 2011). В этом исследовании система BCI, основанная на воображаемой двигательной ЭЭГ, работает синхронно. А асинхронная BCI-система требует дальнейшего изучения в будущей работе. В заключение, представленная схема декодирования обеспечивает эффективное решение неполной ЭЭГ воображения движения в системе BCI.

Авторские взносы

YC, XZ, YijZ, WX и JH разработали концепцию и схему декодирования для этого исследования. YC и YZ провели сравнительные эксперименты, включая сбор и анализ данных для работы.YC, XZ и YijZ интерпретировали экспериментальные результаты. YC подготовил рукопись. XZ, WX, JH и YiwZ отредактировали рукопись.

Финансирование

Эта работа была поддержана Национальным фондом естественных наук Китая в рамках грантов 61503374 и 61573340, частично исследовательским проектом Frontier Science Китайской академии наук (грант № QYZDY-SSW-JSC005) и стартовым фондом докторантуры провинции Ляонин. Китай по грантам 201501032.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Авторы с благодарностью подтверждают поддержку Государственной ключевой лаборатории робототехники за предоставление нам устройств для сбора данных. Авторы хотели бы поблагодарить Huibin Du et al. за участие в эксперименте. Мы также ценим помощь Guowei Wu в настройке условий эксперимента и благодарим Qichuan Ding за его помощь с вычиткой и исправлениями.

Список литературы

Асенсио-Куберо, Дж., Ган, Дж. К., и Паланиаппан, Р.(2013). Извлечение оптимальных пространственно-временных характеристик с использованием локальных дискриминантных баз и общих пространственных шаблонов для взаимодействия с мозгом и компьютером. Biomed. Сигнальный процесс. Контроль 8, 772–778. DOI: 10.1016 / j.bspc.2013.07.004

CrossRef Полный текст | Google Scholar

Асенсио-Куберо, Дж., Паланиаппан, Р., и Ган, Дж. К. (2011). «Исследование стратегий временной сегментации для извлечения общих пространственных паттернов для взаимодействия мозга с компьютером», в IEEE 2011 UK Workshop on Computational Intelligence (Manchester: IEEE), 99–102.

Google Scholar

АЙДЕМИР, Ö. (2016). Извлечение общих пространственных закономерностей из лучшего временного сегмента данных BCI. Turk. J. Elec. Англ. Комп. Sci. 24, 3976–3986. DOI: 10.3906 / лось-1502-162

CrossRef Полный текст | Google Scholar

Бланкерц, Б., Лемм, С., Тредер, М., Хауфе, С., и Мюллер, К. Р. (2011). Единичный пробный анализ и классификация компонентов ERP — учебное пособие. Нейроизображение 56, 814–825. DOI: 10.1016 / j.нейровизуализация.2010.06.048

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Каврини, Ф., Бьянки, Л., Куитадамо, Л. Р., и Саджио, Г. (2016). Метод нечеткого интегрального ансамбля в визуальном интерфейсе мозг-компьютер P300. Comput. Intell. Neurosci. 2016, 1–9. DOI: 10.1155 / 2016/9845980

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Чен, X., Ван, Ю., Наканиши, М., Гао, X., Юнг, Т. П., и Гао, С. (2015). Высокоскоростное написание с неинвазивным интерфейсом мозг-компьютер. Proc. Natl. Акад. Sci. США 112, 6058–6067. DOI: 10.1073 / pnas.1508080112

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Чо, К. (2013). «Простое разрежение улучшает разреженные автоэнкодеры шумоподавления при шумоподавлении сильно зашумленных изображений», в материалах Proceedings of the 30th International Conference on Machine Learning (Atlanta, GA), 432–440.

Google Scholar

Цуй, Г., Гуй, Л., Чжао, К., Цихоцки, А., и Цао, Дж. (2016).«Байесовская CP-факторизация неполного тензора для приложения сигнала ЭЭГ», в Международная конференция IEEE 2016 по нечетким системам (FUZZ-IEEE) (Ванкувер, Британская Колумбия: IEEE), 2170–2173.

Google Scholar

Джемал Р., Базед А. Г., Белвафи К., Ганнуни С. и Кааниче В. (2016). Трехклассовая классификация образов движения на основе ЭЭГ с использованием техники реконструкции фазового пространства. Brain Sci. 6:36. DOI: 10.3390 / brainsci6030036

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Он, Б., Бакстер, Б., Эдельман, Б. Дж., Клайн, К. С., и Йе, В. У. (2015). Неинвазивные интерфейсы мозг-компьютер на основе сенсомоторных ритмов. Proc. IEEE 103, 907–925. DOI: 10.1109 / JPROC.2015.2407272

CrossRef Полный текст | Google Scholar

Герман П., Прасад Г., Макгиннити Т. М. и Койл Д. (2008). Сравнительный анализ спектральных подходов к выделению признаков для классификации движений на основе ЭЭГ. IEEE Trans. Neural Syst. Rehabil. Англ. 16, 317–326.DOI: 10.1109 / TNSRE.2008.926694

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Hiremath, S. V., Chen, W., Wang, W., Foldes, S., Yang, Y., Tyler-Kabara, E. C., et al. (2015). Обучение мозговому компьютерному интерфейсу для систем на основе электрокортикографии и внутрикортикальных массивов микроэлектродов. Фронт. Интегр. Neurosci. 9:40. DOI: 10.3389 / fnint.2015.00040

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Цзян, М., Лян, Ю., Фэн, X., Fan, X., Pei, Z., Xue, Y., et al. (2016). Классификация текста на основе сети глубоких убеждений и регрессии softmax. Neural Comput. Прил. 29, 61–70. DOI: 10.1007 / s00521-016-2401-x

CrossRef Полный текст | Google Scholar

Карими Ф., Кофман Дж., Мрахач-Керстинг Н., Фарина Д. и Цзян Н. (2017). Обнаружение связанных с движением корковых потенциалов на ЭЭГ с использованием ограниченного ICA для приложений интерфейса мозг-компьютер. Фронт. Neurosci. 11: 356.DOI: 10.3389 / fnins.2017.00356

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ку, Б., Ли, Х. Г., Нам, Ю., Кан, Х., Ко, С. С., Шин, Х. С. и др. (2015). Гибридная система NIRS-EEG для самостоятельного изучения компьютерного интерфейса мозга с онлайн-отображением движений. J. Neurosci. Методы 244, 26–32. DOI: 10.1016 / j.jneumeth.2014.04.016

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Кумар, С., Шарма, А., Мамун, К., и Цунода, Т.(2016). «Подход с глубоким обучением для классификации сигналов ЭЭГ с изображениями движения», , 2016 г., 3-й Азиатско-Тихоокеанский всемирный конгресс по информатике и инженерии (APWC по CSE), (Нади: IEEE), 34–39.

Google Scholar

Лафлер, К., Кэссиди, К., Доуд, А., Шейдс, К., Рогин, Э., и Хе, Б. (2013). Управление квадрокоптером в трехмерном пространстве с помощью неинвазивного интерфейса мозг-компьютер на основе воображения движений. J. Neural Eng. 10: 046003. DOI: 10.1088 / 1741-2560 / 10/4/046003

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лазару, И., Николопулос, С., Петрантонакис, П. К., Компациарис, И., и Цолаки, М. (2018). Интерфейсы мозг-компьютер на основе ЭЭГ для общения и реабилитации людей с двигательными нарушениями: новый подход 21 века. Фронт. Гм. Neurosci. 12:14. DOI: 10.3389 / fnhum.2018.00014

CrossRef Полный текст | Google Scholar

Ли, Дж., Лян, Дж., Чжао, К., Ли, Дж., Хун, К., и Чжан, Л. (2013). Дизайн вспомогательной системы инвалидной коляски, управляемой человеческими мыслями. Внутр. J. Neural. Syst. 23: 1350013. DOI: 10.1142 / S012

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Линь Дж. И Цзян З. (2015). Реализация удаленного присутствия с использованием управления квадрокоптером с помощью неинвазивного устройства BCI. Comput. Sci. Сообщить. Technol. 3, 122–126. DOI: 10.13189 / csit.2015.030405

CrossRef Полный текст | Google Scholar

Линдсен, Дж. П., и Бхаттачарья, Дж. (2010). Исправление артефактов мигания с использованием независимого компонентного анализа и эмпирической модовой декомпозиции. Психофизиология 47, 955–960. DOI: 10.1111 / j.1469-8986.2010.00995.x

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ma, T., Li, H., Deng, L., Yang, H., Lv, X., Li, P., et al. (2017). Гибридная система BCI для управления движением путем комбинирования образов движения и визуального вызванного потенциала начала движения. J. Neural Eng. 14: 026015. DOI: 10.1088 / 1741-2552 / aa5d5f

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мэн, Дж., Чжан, С., Бекё, А., Олсо, Дж., Бакстер, Б., и Хе, Б. (2016). Неинвазивная электроэнцефалограмма для управления роботизированной рукой для выполнения задач по досягаемости и захвату. Sci. Реп. 6: 38565. DOI: 10.1038 / srep38565

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Миллер, К. Дж., Шалк, Г., Фец, Э. Э., ден Нейс, М., Охеманн, Дж. Г., и Рао, Р. П. (2010). Корковая активность во время моторного исполнения, моторные образы и онлайн-обратная связь на основе образов. Proc. Natl. Акад.Sci. США 107, 4430–4435. DOI: 10.1073 / pnas.0913697107

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Наканиси, М., Ван, Ю., Чен, X., Ван, Ю. Т., Гао, X., и Юнг, Т. П. (2018). Улучшение обнаружения SSVEP для высокоскоростного орфографического орфографии с помощью компонентного анализа задач. IEEE Trans. Биомед. Англ. 65, 104–112. DOI: 10.1109 / TBME.2017.2694818

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Насир, Н., и Хонг, К.-С. (2015). Интерфейсы мозг-компьютер на основе fNIRS: обзор. Фронт. Гм. Neurosci. 9: 172. DOI: 10.3389 / fnhum.2015.00003

CrossRef Полный текст | Google Scholar

Падилья-Буритика, Дж. И., Мартинес-Варгас, Дж. Д., и Кастелланос-Домингес, Г. (2016). Распознавание эмоций с использованием пространственно компактных областей интереса, извлеченных из визуализации активности ЭЭГ. Фронт. Comput. Neurosci. 10:55. DOI: 10.3389 / fncom.2016.00055

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Пэн, Х., Ху, Б., Ши, К., Рэтклифф, М., Чжао, К., Ци, Ю. и др. (2013). Удаление глазных артефактов на ЭЭГ — улучшенный подход, сочетающий DWT и ANC для портативных приложений. IEEE J. Biomed. Health Informat. 17, 600–607. DOI: 10.1109 / JBHI.2013.2253614

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Пфурчеллер, Г., Бруннер, К., Шлёгль, А., и Лопес да Силва, Ф. Х. (2006). Синхронизация (де) ритма и однократная классификация ЭЭГ различных задач воображения движения. Нейроизображение 31, 153–159. DOI: 10.1016 / j.neuroimage.2005.12.003

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Плис, С. М., Хьельм, Д. Р., Салахутдинов, Р., Аллен, Э. А., Бокхольт, Х. Дж., Лонг, Дж. Д. и др. (2014). Глубокое обучение для нейровизуализации: валидационное исследование. Фронт. Neurosci. 8: 229. DOI: 10.3389 / fnins.2014.00229

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Quitadamo, L.R., Cavrini, F., Sbernini, L., Riillo, F., Bianchi, L., Seri, S., et al. (2017). Поддержка векторных машин для обнаружения физиологических паттернов взаимодействия человека с компьютером на основе ЭЭГ и ЭМГ: обзор. J. Neural. Англ. 14: 011001. DOI: 10.1088 / 1741-2552 / 14/1/011001

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Салахутдинов Р., Хинтон Г. (2012). Эффективная процедура обучения для глубоких машин Больцмана. Neural Comput. 24, 1967–2006. DOI: 10.1162 / NECO_a_00311

PubMed Аннотация | CrossRef Полный текст

Шахид, С., и Прасад, Г. (2011). Метод извлечения признаков на основе биспектра для разработки практического интерфейса мозг-компьютер. J. Neural Eng. 8: 025014. DOI: 10.1088 / 1741-2560 / 8/2/025014

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Шокер, Л., Саней, С., Ван, В., и Чемберс, Дж. А. (2005). Удаление артефакта моргания глаз из электроэнцефалограммы с использованием нового алгоритма ограниченного слепого разделения источников. Med. Биол. Англ. Comput. 43, 290–295. DOI: 10.1007 / BF02345968

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Станкович, Л., Станкович, С., Амин, М. (2014). Анализ отсутствующих образцов в сигналах для приложений L-оценки и измерения сжатия. Сигнальный процесс. 94, 401–408. DOI: 10.1016 / j.sigpro.2013.07.002

CrossRef Полный текст | Google Scholar

Стойка П., Ли Дж. И Хе Х. (2009). Спектральный анализ данных с неоднородной выборкой: новый подход в сравнении с периодограммой. IEEE Trans. Сигнальные процессы. 57, 843–858. DOI: 10.1109 / TSP.2008.2008973

CrossRef Полный текст | Google Scholar

Тан Х., Чжоу Дж., Чжан Н. и Лю К. (2015). Распознавание моторных образов ЭЭГ на основе сети глубоких убеждений. Инф. Контроль 44, 717–721 738. DOI: 10.13976 / j.cnki.xk.2015.0717

CrossRef Полный текст

Сюй Б., Пэн С., Сун А., Ян Р. и Пань Л. (2011). Роботизированная реабилитация верхних конечностей на основе двигательной ЭЭГ. Внутр. J. Adv. Робот. Syst. 8, 88–97. DOI: 10.5772 / 45703

CrossRef Полный текст | Google Scholar

Янг, Х., Сахави, С., Анг, К. К., и Гуань, К. (2015). «Об использовании сверточных нейронных сетей и расширенных функций CSP для многоклассовых изображений движения для классификации сигналов ЭЭГ», 2015 37-я ежегодная международная конференция Общества инженеров в медицине и биологии IEEE (EMBC) (Милан: IEEE), 2620– 2623.

Google Scholar

Юань, H., и He, B. (2014). Мозг-компьютерные интерфейсы с использованием сенсомоторных ритмов: текущее состояние и перспективы на будущее. IEEE Trans. Биомед. Англ. 61, 1425–1435. DOI: 10.1109 / TBME.2014.2312397

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Zhang, Y., Zhao, Q., Zhou, G., Jin, J., Wang, X., and Cichocki, A. (2016). «Удаление артефактов ЭЭГ для приложений BCI с использованием полного байесовского тензорного завершения», в , 2016 Международная конференция IEEE по акустике, речи и обработке сигналов (ICASSP), (Шанхай: IEEE), 819–823.

Google Scholar

Чжан, Ю., Чжоу, Г., Цзинь, Дж., Ван, X., и Цихоцки, А. (2015). Распознавание SSVEP с использованием анализа общих признаков в интерфейсе мозг-компьютер. J. Neurosci. Методы 244, 8–15. DOI: 10.1016 / j.jneumeth.2014.03.012

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Чжао, X., Чу, Y., Han, J., и Zhang, Z. (2016). Система функциональной электростимуляции на основе SSVEP, управляемая с помощью интерфейса мозг-компьютер, для реабилитации верхних конечностей. IEEE Trans. Syst. Человек Киберн. Syst. 46, 947–956. DOI: 10.1109 / TSMC.2016.2523762

CrossRef Полный текст | Google Scholar

Что такое кодирование и декодирование?