Application de l'étude des ondes cérébrales EEG dans la classification visuelle profondeur
Beaucoup de gens croient que le matériel VR ou AR peut être l'avenir de l'interaction homme-ordinateur, ceux-ci trompent l'il humain et la technologie sensorielle, vient de notre compréhension de ces sens plus profonds. La compréhension plus approfondie de ces sens, le créer plus facilement magie comme l'interaction homme-ordinateur aujourd'hui, David 9 papiers veulent l'analyser et l'interaction sensorielle liée, si particulier est qu'il est sens les plus complexes du corps - le cerveau.
Certaines études difficiles à imaginer une telle science-fiction incroyable près de la CVPR cette année, je crois que vous serez enthousiasmés par la lecture.
La recherche sur la nature de cet article, est Caractéristiques visuelles de l'extraction de l'électroencéphalogramme EEG Afin de réaliser notre commun classification visuelle Tâche (??? chaussures de guitare Dog pizza?):
De: https://www.youtube.com/watch?v=9eKtMjW7T7w&t=343s
La dernière couche couche entièrement connectée en tâches de classification visuelle est très courante.
La différence est que la couche avant est plus re-formation Alexnet, GoogleNet ou VGG, ni un réseau de neurones pré-formés, mais En recueillant des informations drawing, analyse des ondes cérébrales abstraite extraction de caractéristiques .
Avec la popularité de l'EEG (électroencéphalogramme enregistrement), et les expériences humaines ont montré que différents types d'objets vus, reflètent les différents électroencéphalogramme de réaction après les voir figure IMAGEnet deux images, le spectre des ondes cérébrales de la réaction:
De:
Apparemment, sur certains canaux, regarder des objets différents des ondes cérébrales du cerveau humain il y a une différence, je Peut naturellement supposer qu'une information de réponse d'onde du cerveau humain sur l'identification des objets (Bien sûr, il y a beaucoup d'informations de l'information émotionnelle, la pensée, etc.).
Bien que l'article est expérience IMAGEnet dans 40 classement, mais les ondes cérébrales humaines à collecter des données sur la réponse de tant d'images, ce qui est beaucoup de travail a dû admirer.
De façon plus surprenante, ils ont trouvé un moyen d'extraire ces caractéristiques de synchronisation EEG:
De: http: //crcv.ucf.edu/papers/cvpr2017/cvpr_eeg_gen_2017_camera_ready.pdf
ici ENCODER La caractéristique essentielle est extraite.
Afin d'obtenir un bon auteur ENCODER essayé architecture 3:
Auteur: http: //crcv.ucf.edu/papers/cvpr2017/cvpr_eeg_gen_2017_camera_ready.pdf
Ces trois sont appelés article d'architecture:
Caractériser a) commun, toutes les ondes cérébrales à la fois à une entrée de canal LSTM, la dernière couche est la LSTM de sortie requise
b) Canal + commun, chaque canal unique est entrée au premier LSTM respectivement, entrée à un grand après LSTM sommaire suite
c) la sortie commune +, et a) est similaire, sauf que la sortie multi-couches de la couche de sortie (couche semblable à l'ensemble de l'entreprise + RELU)
Grâce à des expériences, l'article que c) l'architecture a la meilleure généralisation:
De: http: //crcv.ucf.edu/papers/cvpr2017/cvpr_eeg_gen_2017_camera_ready.pdf
Afin de démontrer les caractéristiques extraites des ondes cérébrales efficacité et la polyvalence, l'article mentionné ci-dessus aussi apprendre à migrer vers une présentation fonction CNN, la classification image-fin (ondes cérébrales sans la nécessité d'une relecture):
De: http: //crcv.ucf.edu/papers/cvpr2017/cvpr_eeg_gen_2017_camera_ready.pdf
CNN régresseur sur la carte pour apprendre à faire la « image pour caractériser » Avant la carte de simulation.
CLASSIFIER dernière couche du même, est Résumé de caractériser la catégorie La formation de suivi (en CLASSIFIER fait peut être SVM, KNN, les forêts aléatoires, ne devrait pas être trop compliqué)
Bien que caractériser ces extraits d'utilisation réelle que GoogleNet mature et VGG une grande précision, mais compte tenu de l'image GoogleNet et VGG de jeu de formation IMAGEnet est très riche, et l'ensemble de données ondes cérébrales du papier ne sont pas aussi riche que IMAGEnet, mais l'extraction d'informations sur la base des ondes cérébrales dans le Caltech-101 peut être un sous-ensemble du taux de précision de 70% a été très facile:
De: https: //arxiv.org/pdf/1609.00344.pdf
références:
Transfert de: http: //nooverfit.com/wp/cvpr-2017%E8%AE%BA%E6%96%87%E7%B2%BE%E9%80%893-%E4%B8%8D%E5%8F % AF% E6% 80% 9D% E8% AE% AE% E7% 9A% 84% E7% A0% 94% E7% A9% B6-eeg% E8% 84% 91% E7% 94% B5% E6% B3 % A2% E6% B7% B1% E5% BA% A6% E5% AD% A6% E4% B9% A0% E5% 9C% A8% E8% A7% 86 /
