1.Глубокое обучение для интерфейса мозг-компьютер ЭКоГ: сквозные и ручные функции(arXiv)

Автор :Мацей Сливовский, Матье Мартен, Антуан Сулумиак, Пьер Бланшар, Татьяна Аксенова

Вывод:в обработке сигналов мозга широко используются модели глубокого обучения (ГО). Однако выигрыш в производительности от использования сквозных моделей DL по сравнению с традиционными подходами ML обычно значительный, но умеренный, как правило, за счет увеличения вычислительной нагрузки и ухудшения объяснимости. Основная идея подходов глубокого обучения заключается в масштабировании производительности за счет больших наборов данных. Однако сигналы мозга представляют собой временные данные с низким отношением сигнал/шум, нечеткими метками и нестационарными данными во времени. Эти факторы могут повлиять на процесс обучения и замедлить улучшение производительности моделей. Влияние этих факторов может различаться для сквозной модели DL и модели с использованием ручных функций. Как не изучалось ранее, в этой статье сравниваются модели, которые используют необработанный сигнал ЭКоГ и частотно-временные характеристики для декодирования изображений движений BCI. Мы исследуем, является ли текущий размер набора данных более сильным ограничением для любых моделей. Наконец, полученные фильтры сравнивались для выявления различий между созданными вручную функциями и оптимизированными с помощью обратного распространения. Чтобы сравнить эффективность обеих стратегий, мы использовали многослойный персептрон и смесь сверточных слоев и слоев LSTM, которые уже доказали свою эффективность в этой задаче. Анализ проводился на основе долгосрочной базы данных клинических испытаний (почти 600 минут записей) пациента с тетраплегией, выполняющего задачи воображения движения для трехмерного перевода рук. Для заданного набора данных результаты показали, что сквозное обучение может быть не намного лучше, чем созданная вручную модель на основе признаков. Разрыв в производительности уменьшается с большими наборами данных, но, учитывая возросшую вычислительную нагрузку, сквозное обучение может оказаться невыгодным для этого приложения.

2.Концепция сохранения конфиденциальности и кибербезопасности в приложениях, взаимодействующих между мозгом и компьютером(arXiv)

Автор :Марина Капитонова, Филипп Кельмейер, Саймон Фогт, Тонио Болл

Аннотация : интерфейсы мозг-компьютер (BCI) представляют собой быстро развивающуюся область технологий с потенциалом далеко идущего влияния в различных областях, от медицины до промышленности, искусства, игр и военных. Сегодня эти новые приложения BCI, как правило, все еще находятся на ранних уровнях технологической готовности, но поскольку BCI создают новые технические каналы связи для человеческого мозга, они вызывают проблемы с конфиденциальностью и безопасностью. Для снижения таких рисков в литературе было предложено большое количество контрмер, но отсутствует общая схема, которая описывала бы, как конфиденциальность и безопасность приложений BCI могут быть защищены по замыслу, т. е. уже как неотъемлемая часть раннего BCI. процесс проектирования на систематической основе и позволяет проводить достаточную глубину анализа для различных контекстов, таких как разработка коммерческого продукта BCI по сравнению с академическими исследованиями и лабораторными прототипами. Здесь мы предлагаем принять последние методологии системной инженерии для моделирования угроз конфиденциальности, оценки рисков и проектирования конфиденциальности в области BCI. Эти методологии решают проблемы конфиденциальности и безопасности более систематически и целостно, чем предыдущие подходы, и предоставляют повторно используемые шаблоны того, как перейти от принципов к действиям. Мы применяем эти методологии к BCI и потокам данных и создаем общую, расширяемую и действенную основу для кибербезопасности с сохранением конфиденциальности мозга в приложениях BCI. Эта структура предназначена для гибкого применения к широкому спектру текущих и будущих приложений BCI. Мы также предлагаем ряд новаторских функций обеспечения конфиденциальности для BCI, уделяя особое внимание функциям, способствующим прозрачности BCI как предпосылке информационного самоопределения пользователей BCI, а также конструктивным особенностям, обеспечивающим автономию пользователей BCI. Мы ожидаем, что наша структура будет способствовать развитию надежных технологий BCI, обеспечивающих конфиденциальность.

3.Анализ влияния задач вождения при обнаружении эмоций с помощью интерфейса Brain-ComputerInterfaces(arXiv)

Автор:Марио Килес Перес, Энрике Томас Мартинес Бельтран, Серхио Лопес Берналь, Альберто Уэртас Селдран, Грегорио Мартинес Перес

Аннотация:Дорожно-транспортные происшествия являются основной причиной смерти среди молодежи, и сегодня эта проблема стоит огромного числа жертв. Было предложено несколько технологий для предотвращения несчастных случаев, среди которых интерфейсы мозг-компьютер (BCI) являются одними из наиболее многообещающих. В этом контексте BCI использовались для обнаружения эмоциональных состояний, проблем с концентрацией внимания или стрессовых ситуаций, которые могут играть фундаментальную роль на дороге, поскольку они напрямую связаны с решениями водителей. Тем не менее, нет обширной литературы по применению BCI для обнаружения эмоций субъектов в сценариях вождения. В таком контексте необходимо решить некоторые проблемы, такие как (i) влияние выполнения задачи вождения на обнаружение эмоций и (ii) какие эмоции лучше обнаруживаются в сценариях вождения. Чтобы решить эти проблемы, в этой работе предлагается структура, ориентированная на обнаружение эмоций с использованием электроэнцефалографии с алгоритмами машинного обучения и глубокого обучения. Кроме того, был разработан вариант использования, в котором представлены два сценария. Первый сценарий состоит в прослушивании звуков в качестве основной задачи для выполнения, тогда как во втором сценарии прослушивание звука становится второстепенной задачей, являясь основной задачей с использованием симулятора вождения. Таким образом, предполагается продемонстрировать, полезны ли BCI в этом сценарии вождения. Результаты улучшают результаты, существующие в литературе, достигая точности 99% для обнаружения двух эмоций (нестимульных и гневных), 93% для трех эмоций (нестимультических, злых и нейтральных) и 75% для четырех эмоций (невыносимых). раздражители, злость, нейтральность и радость