Cet article est une compilation de technologie blog AI Yanxishe, le titre original:
De ondes cérébrales à des mouvements du robot avec l'apprentissage en profondeur: une introduction.
Auteur | Norman Di Palo
Traduction | fox retour pas
Relecture | · Revue Jeff Demps | sauce poire finale Fan | Wang Li poisson
Lien original:
https://towardsdatascience.com/from-brain-waves-to-arm-movements-with-deep-learning-an-introduction-3c2a8b535ece
Le système nerveux est une structure très complexe. La longueur totale de vos nerfs dans tout le corps de plus de 100.000 kilomètres, ils sont reliés à chaque partie de votre moelle épinière et le cerveau. Le « réseau » est délivré chaque signal d'impulsion électrique pour contrôler le mouvement du corps. Chaque instruction émise par le cerveau, qui est une structure plus magique composée de neurones, communique par l'intermédiaire des signaux d'activation électriques entre les neurones. La compréhension et l'interprétation des modèles EEG est l'une des tâches les plus importantes neuroscientifiques et neurobiologistes, mais il est aussi une tâche très difficile.
Procédé non-invasif pour l'enregistrement de l'activité cérébrale électroencéphalogramme (EEG), cette technique est placé sur les fluctuations de la tension d'électrodes de cuir chevelu du patient enregistrées cerveau. En règle générale, il y aura environ 30 ces électrodes sont placés autour du cuir chevelu, afin d'enregistrer la volatilité globale des ondes cérébrales. En bref, la relation entre l'activité cérébrale avec un signal EEG est très complexe, à l'exception de certains tests de laboratoire spécifique, il est mal comprise. Cela provoque un énorme défi: comment « décoder » les résultats de l'analyse sur l'EEG, pour contrôler le robot, ou d'autres appareils de prothèse par l'interface cerveau-ordinateur non-invasive (BCI).
Comme une forte discipline axée sur les données dans le domaine de la reconnaissance de motif associé à l'apprentissage en profondeur de la récente nouvelle percée, la création d'une nouvelle méthode, une nouvelle analyse des signaux électriques à l'aide de réseaux neuronaux. Dans cet article, nous verrons l'introduction de ce thème: nous verrons les données fournies par l'EEG concours Kaggle, le concours a été conçu pour détecter ce type de modèles EEG associés à un bras particulier / gestes de la main , comme saisir ou soulever un objet. Ensuite, nous allons concevoir un réseau de neurones, après la pré-traitement des données de différentes manières, différentes opérations de classification. Je vais aussi montrer une partie de la visualisation des données de l'activité cérébrale (image), les données sur nos adversaires ont une compréhension générale. Le but ultime de la recherche dans ce domaine est de développer un utilisateur de prothèses abordables et utiles, en contrôlant le cerveau de prothèse, la possibilité d'effectuer facilement des actions de base pour aider les amputés à retrouver. Cette technique peut également être appliquée à la lecture une activité électrique des muscles, et, sur le type d'opération (utilisateur) que vous souhaitez décoder en analysant l'état d'activation du muscle.
Vous pouvez trouver tout le code dans cet article dans le Notebook olaboratory en ligne, vous pouvez exécuter le code directement dans votre navigateur. Github lien pour lire l'original.
Introduction aux données
Si vous avez un compte Kaggle, vous pouvez télécharger les données gratuitement. Vous verrez les données par seulement quelques fichiers .csv, ces fichiers sont:
-
modèle EGG comme données d'entrée, les données obtenues à partir du patient est placé sur les électrodes de cuir chevelu 32 Collect. la fréquence d'acquisition de données est 500Hz.
-
6 peut être en mouvement, le sujet tente d'accomplir une opération de l'étiquette structurée.
Ces données sont enregistrées des signaux EEG à différents sujets ont terminé une opération simple, comme l'opération de préhension ou d'un objet en mouvement. Ainsi, l'ensemble de données est divisé en différentes sections, elle est également classée dans différentes catégories. Nous pouvons voir plus loin dans la précision des prévisions, des différences individuelles dans les ondes cérébrales est très forte, pour la même personne, le modèle peut prédire les fragments ne l'ont pas vu un taux de précision très élevé, mais si un nouveau test mais ceux qui font de telles prédictions peuvent avoir un plus grand degré de difficulté.
Notre objectif est donc de créer un réseau de neurones, la probabilité de six actions possibles va lire les signaux EEG en entrée, la distribution de sortie du sujet que vous voulez accomplir. Lui-même, car il est l'une des six catégories « aucune action », nous pouvons l'ajouter séparément en tant que classe, ou toute sortie possible est réglé sur une valeur comprise entre 0 et 1 en utilisant une certaine valeur de seuil pour déterminer si l'opération détectée. Si la valeur prévue de toutes les actions sont en dessous du seuil, nous ne voyons aucune action se déroule.
J'ai fait une version animée de la visualisation des données sur les activités de ces électrodes. En raison de la fréquence d'échantillonnage plus élevée (500Hz), j'utiliser un simple filtre passe-bas trois-ordre pour lisser les données, et avec le premier 100 fait animation, à savoir environ 0,2 secondes.
On peut également visualiser les données sous la forme de deux dimensions carte de chaleur, l'axe vertical est le temps (à partir du haut vers le bas), et l'axe horizontal représente les 32 électrodes.
Ceci est également très utile, nous le verrons, il nous aidera à compléter la convolution espace-temps.
Les données pré-traitement
Afin de renforcer l'effet de la phase d'apprentissage, les données brutes doivent d'abord prétraité. Par exemple, la fréquence d'échantillonnage du signal EEG est très élevé, mais le taux de changement de l'action à accomplir dans le qui relativement faible, causer de nombreux problèmes: données changent très rapidement, mais l'action est resté inchangé, fluctuant En raison de données il sera considéré comme du bruit. De plus, le modèle de domaine temporel reçoit de grandes quantités de données en évolution rapide, alors que la sortie de la classification reste la même.
La première étape possible consiste à utiliser un filtre passe-bas pour filtrer les données. Même une course simple, signifie efficace. De cette façon, nous réduisons les changements à haute fréquence dans les données, tout en conservant la plus utile la structure basse fréquence, parce que nous voulons changer la classification de l'opération de très basse fréquence (jusqu'à 1 Hz). Après que l'on peut déguster des données à ce moment-là tous les 10100 à ne retenir qu'une seule des données. Cette opération contribue également à réduire la dimension temporelle et la pertinence des données, dans un sens, plus le temps la faible densité de données. En outre, de nombreuses autres techniques de prétraitement peuvent également être appliqués, mais pour simplifier cette introduction, où pas grand-chose à dire, et maintenant nous commençons la conception des réseaux de neurones.
réseaux de neurones et la conception expérimentale
Traitement des données de séries chronologiques, la structure de l'une de nos première pensée est que le réseau de neurones récurrent.
Ces réseaux ont une structure dynamique, de sorte qu'il est possible un état intermédiaire de codage de données temporelles, la sortie peut être calculée sur la base des entrées passées. J'ai conçu un LSTM en Keras dans le réseau, et entrez les données de formation a une structure temporelle. L'effet réseau est bon, mais dans ce cas particulier, je veux montrer convolution plus couramment utilisé traitement d'images réseau de neurones est comment faire bien sur les données temporelles.
Comme mentionné plus haut, dans un sens, nous sommes réellement en train de données spatio-temporelles. Il est montré ci-dessus et l'ordonnée représente la variation thermique dans le domaine temporel, et l'afficheur à axe horizontal les différentes électrodes, la quasi-totalité des électrodes adjacentes sur le cuir chevelu humain sont spatialement adjacents. Cela signifie que nous pouvons utiliser convolution pour extraire des caractéristiques utiles. Le noyau peut être un mode 2D simultanément sur le codage spatial et le temps. Imaginons un 3 * 3 noyau de convolution, qui peut être décrite sur la matrice de la figure chaleur, par pondération des trois étapes de temps différentes (lignes 3 noyaux) et trois électrodes différentes (colonne 3 noyaux) pour extraire les caractéristiques. Par conséquent, une convolution réseau de neurones ayant une pluralité de noyau de convolution se trouve dans une période de temps limitée, l'activation avec le mouvement du sujet que vous voulez faire et modifier les caractéristiques de l'électrode.
Je mis en place un réseau simple CNN dans Keras, vérifiez ses performances dans cet ensemble d'ensembles de données. Dans ce portable en ligne Colaboratory, vous trouverez tout le code dans cet article, et fonctionne directement sur votre navigateur. Github lien pour lire l'original.
Afin de vérifier l'efficacité de notre modèle, comme des concours Kaggle, comme l'a suggéré, nous inspectons modèle de score AUC. Si vous n'êtes pas familier avec la CUA, vous pouvez voir l'explication claire et intuitive (lien). Vous pouvez essayer vous-même dans un bloc-notes en ligne, après une phase de formation rapide, nous avons pu obtenir fraction ASC d'environ 0,85.
En formant des structures de réseau, l'utilisation des moyens autres des techniques de prétraitement, de nombreuses modifications peuvent être atteints. Mais l'introduction de la preuve de concept (POC) ont démontré la remarquable capacité des réseaux de neurones à apprendre de ces données.
conclusion
Dans cet article, nous avons fait un exposé sur l'EEG EEG, qui est un signal utile d'un non-invasive, relativement simple recueillies à partir du cuir chevelu de l'utilisateur. Nous avons vu des résultats de la visualisation des données intuitives, ainsi que l'utilisation d'un réseau de neurones pour extraire ces fonctionnalités telles que l'intention de mouvement. Je crois que ce domaine (robot de prothèse, l'interface cerveau-ordinateur) en raison de l'apprentissage en profondeur et des progrès rapides importants, données scientifiques et techniques, des plates-formes, et la concurrence sera plus étendue, année après année.
L'impact de ces technologies sera grande. Faible coût peut avoir un moyen naturel de prothèses de contrôle, peut grandement améliorer la vie de millions.
Je vous suggère de jeter un oeil à « projet symbiotique », qui est un projet lancé récemment, un groupe de personnes talentueuses ensemble et essayer de créer une prothèse de bras intelligente à faible coût peuvent être utilisés pour contrôler l'activité musculaire de sorte que cette véritable équipement au sol, universel.
Suivez-moi sur Twitter, je reçois plus dynamique au travail. Plus: https://twitter.com/normandipalo
Vous pouvez trouver tout le code dans cet article dans le Notebook Colaboratory en ligne, et fonctionne directement dans votre navigateur.
Je veux continuer à voir les articles liens et références connexes?
Appuyez sur et cliquez pour ouvrir un lien ou cliquez sur le fond des ondes cérébrales [du mouvement du robot - apprentissage en profondeur: l'introduction]:
https://ai.yanxishe.com/page/TextTranslation/1436
AI Yanxishe quotidien recommandé: Lei Feng Lei Feng Lei le réseau de réseau de réseau Feng
CMU 2018 Automne cours « apprentissage en profondeur » va vous apprendre à apprendre les rudiments des réseaux de neurones profonds et leurs applications dans de nombreuses tâches AI. Après la fin du cours, les étudiants devraient avoir une compréhension suffisante de l'apprentissage en profondeur et l'apprentissage en profondeur peuvent être appliquées dans de nombreuses tâches pratiques.
Joignez-vous à l'équipe Regarder Free Video: https: //ai.yanxishe.com/page/groupDetail/188
