Моделирование взаимодействия «мозг - компьютер» на основе модели стабильной диффузии

Обложка

Цитировать

Полный текст

Аннотация

В этой статье исследуются нейротехнологии для развития взаимодействия «мозг - компьютер» (BCI) на основе генеративной модели стабильной диффузии с глубоким обучением. Предложен алгоритм моделирования BCI и описано его обучение и тестирование на искусственных данных. Полученные результаты обнадёживают исследователей и могут быть использованы в различных областях BCI, таких как дистанционное обучение, удалённая медицина, создание роботов-гуманоидов и т.д.

Об авторах

Е. Ю. Щетинин

Финансовый университет при Правительстве Российской Федерации

Автор, ответственный за переписку.
Email: riviera-molto@mail.ru
ORCID iD: 0000-0003-3651-7629

Doctor of Physical and Mathematical Sciences, Lecturer of Department of Mathematics

Ленинградский проспект, д. 49, Москва, 125993, Россия

Список литературы

  1. W. Li, Y. Chen, X. Huang, G. Wang, and X. Zhang, “Combining multiple statistical methods to improve EEG-based decoding for BCI applications,” Applications. IEEE Transactions on Instrumentation and Measurement, vol. 69, no. 12, pp. 8896-8906, 2019.
  2. C. Yen and C. Lin, “A real-time brain-computer interface system for the upper limb using feedback training based on motor imagery,” IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 27, no. 10, pp. 2087-2096, 2019.
  3. H. Zhang, W. Zheng, K. Zhang, Y. Li, Y. Wang, and L. Yao, “Stochastic channel effects modeling and training deep spiking neural networks for brain-computer interface,” IEEE Transactions on Neural Networks and Learning Systems, vol. 31, no. 2, pp. 350-364, 2019.
  4. D. Zhu, J. Bieger, and A. Datta, “Brain-computer interfaces in neurorehabilitation: a review of recent progress,” IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 27, no. 6, pp. 1319-1339, 2019.
  5. D. Wu, B. Wang, Y. Li, J. Shen, and G. Wang, “A review of EEG-based brain-computer interface for medical robotic system control,” IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 28, no. 6, pp. 1233-1244, 2020.
  6. S. Bhattacharya, “A brief review of brain-computer interface for neuropsychological rehabilitation,” IEEE Reviews in Biomedical Engineering, no. 12, pp. 95-107, 2019.
  7. X. Li, D. Zhu, H. Chen, Y. Zhang, and X. Wu, “A BMI system for rehabilitation of hemiplegic patients based on transcranial direct current stimulation and affective feedback,” IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 27, no. 3, pp. 535-544, 2019.
  8. Z. Liu, Y. Li, L. Cheng, Q. Zhang, M. Wang, L. Kong, and Y. Wang, “An EEG-based brain-computer interface system for independent living of people with cerebral palsy,” IEEE Journal of Biomedical and Health Informatics, vol. 24, no. 7, pp. 1927-1935, 2020.
  9. Y. Hu, Y. Hou, M. Wang, T. Yu, and J. Zhang, “EEG-based motor imagery BCI system via supervised joint blind source separation and convolutional neural network,” IEEE Transactions on Neural Systems and Rehabilitation Engineering, no. 29, pp. 1586-1597, 2021.
  10. G. Choi, W. Ko, Y. Jung, S. Jo, K. Kim, and S. Lee, “A review on recent progress in EEG-based brain-computer interface for assistive robotic control,” IEEE Reviews in Biomedical Engineering, no. 12, pp. 141-157, 2019.
  11. M. Rashid, J. Höhne, G. Schmitz, and G. Müller-Putz, “A review of humanoid robots controlled by brain-computer interfaces,” Frontiers in Neurorobotics, no. 14, pp. 1-28, 2020.
  12. J. Ho, A. Jain, and P. Abbeel, Denoising diffusion probabilistic models, 2020. doi: 10.48550/arXiv.2006.11239.
  13. P. Dhariwal and A. Nichol, Diffusion models beat GANs on image synthesis, 2021. doi: 10.48550/arXiv.2105.05233.
  14. R. Rombach, A. Blattmann, D. Lorenz, P. Esser, and O. B., Highresolution image synthesis with latent diffusion models, 2021. doi: 10.48550/arXiv.2112.10752.
  15. A. Blattmann, R. Rombach, K. Oktay, and B. Ommer. “Latent diffusion models.” (2022), [Online]. Available: https://github.com/CompVis/latent-diffusion.
  16. J. Sohl-Dickstein, E. A. Weiss, N. Maheswaranathan, and S. Ganguli, Deep unsupervised learning using nonequilibrium thermodynamics, 2015. doi: 10.48550/arXiv.1503.03585.
  17. M. Welling and Y. W. Teh, “Bayesian learning via stochastic gradient Langevin dynamics,” in Proceedings of the 28th International Conference on International Conference on Machine Learning, ser. ICML’11, Madison, WI, USA: Omnipress, 2011, pp. 681-688. doi: 10.5555/3104482.3104568.
  18. J. Ho, A. Jain, and P. Abbeel, Denoising diffusion probabilistic models, 2020. doi: 10.48550/arXiv.2006.11239.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».