ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАСПОЗНАВАНИЯ КОМПОНЕНТА P300 В ЭЛЕКТРОЭНЦЕФАЛОГРАММЕ ЧЕЛОВЕКА

Электроэнцефалография как метод исследования мозговой активности человека является перспективной технологией для создания интерфейса мозг-компьютер. В отличие от электрокортикографии (регистрации потенциалов непосредственно на кортексе), электроэнцефалография не требует хирургического вмешательства в организм, но при этом обеспечивает достаточную разрешающую способность, чтобы фиксировать вызванный потенциал P300, тесно связанный с принятием решений и когнитивной активностью человека [1].

Латентность компонента P300 составляет для здорового человека около 300 мс (рисунок 1). В исследовании [2] было отмечено, что компонент P300 проявляется в мозговой активности в качестве реакции на предъявление целевого образа (визуального, аудиального), появляющегося с невысокой частотой и с высокой степенью непредсказуемости для испытуемого. Так, в эксперименте из [1], поставленного в соответствии с oddball-парадигмой, было показано, что компонент P300 выражен более ярко в случае, если вероятность предъявления целевого образа составляет 20%, чем в случае, если эта вероятность составляет 80% (рисунок 2). Это свойство волны P300 положено в основу концепции интерфейса мозг-компьютер на основе электроэнцефалографии: пользователю предъявляют некоторые образы, на один из которых он должен среагировать как на целевой.

Рисунок 1. Латентность вызванных потенциалов

Рисунок 2. Выраженность P300 для различной вероятности предъявления

Таким образом, для реализации интерфейса мозг-компьютер на базе цифрового электроэнцефалографа необходимо иметь возможность выделять вызванный потенциал P300 из общего потока данных, представляющих электроэнцефалограмму человека. Создание детерминированного алгоритма, позволяющего однозначно определять, является ли некоторая совокупность импульсов именно компонентом P300, не представляется возможным, поскольку электроэнцефалограмма человека не является регулярной и подвержена искажениям как технического (слабый контакт, шумы, электромагнитные помехи), так и физиологического (реакции, не связанные с мышлением: движения, моргания, реакции на раздражители) характера. По этой причине требуется, чтобы вычислительным ядром интерфейса мозг-компьютер на основе электроэнцефалографии был гибкий, обучаемый инструмент, способный настраиваться на конкретного пользователя.

Этим требованиям соответствует технология искусственных нейронных сетей (ИНС). Обладая способностью к обучению, ИНС при небольшом размере также не требует значительных вычислительных ресурсов, что делает возможным её реализацию на портативном микрокомпьютере, принимающем сигналы электроэнцефалографа в режиме реального времени.

ИНС, спроектированная для проведения эксперимента, имеет 192 входных нейрона (по числу чисел-признаков, характеризующих зафиксированный импульс) и 1 выходной (по числу классифицируемых импульсов). Нейроны во входном и выходном слоях имеют линейную функцию активации.

Для обеспечения высокой производительности ИНС в условиях ограниченных вычислительных ресурсов микрокомпьютера с сохранением приемлемого качества распознавания импульсов в сеть были включены два скрытых слоя (34 и 6 нейронов соответственно). Число нейронов в скрытых слоях было подобрано экспериментально. Функция активации нейронов в скрытых слоях – сигмоид.

Общая структура ИНС показана на рисунке 3. Литерой L обозначены нейроны с линейной функцией активации; литерой S – с сигмоидной.

Сигналы, подаваемые на вход нейронной сети, должны подвергаться предварительной обработке. Так, в экспериментальном прототипе системы интерфейса мозг-компьютер на основе электроэнцефалографа отсекаются импульсы со слишком большой либо слишком малой амплитудой; цифровые сигналы нормируются по формуле (1), где x – исходное значение, x_norm – нормированное значение, x_max и x_min – максимально и минимально возможные значения соответственно.

Рисунок 3. Структура ИНС в составе системы интерфейса мозг-компьютер на основе электроэнцефалографии

Такая предварительная обработка позволяет повысить качество распознавания импульсов нейронной сетью.

Обучение ИНС производится по алгоритму с обратным распространением ошибки следующим образом: испытуемому заранее сообщается, какой образ является целевым; на тот же образ настраивается обучающий алгоритм. Реакции, возникающие после предъявления испытуемому целевого образа, обрабатываются как эталонные, активирующие выходной нейрон ИНС; все прочие активировать его не должны. После того, как внутренние веса скрытых нейронов настроены в соответствии с реакциями испытуемого, ИНС считается готовой к работе.

Поставленный таким образом эксперимент, в котором участвовало несколько испытуемых, показал среднюю долю верных распознанных реакций 73%. Примечательно, что этот процент изменяется в зависимости не только от количества эпох обучения ИНС, но и от самого испытуемого, поскольку особенности электроэнцефалограммы и, соответственно, проявления потенциала P300 индивидуальны для каждого человека. Было также отмечено, что результаты работы интерфейса мозг-компьютер лучше, если его эксплуатирует тот же испытуемый, который проводил обучение, и хуже, если обучение и работу устройства производят разные испытуемые.

Таким образом, предложенный метод распознавания компонента P300 в составе энцефалограммы человека может успешно применяться в качестве вычислительного ядра системы интерфейса мозг-компьютер на основе электроэнцефалографии. Получаемая система гибко настраивается на конкретного пользователя и даёт приемлемый процент распознавания при должном качестве обучения.

В числе перспектив развития предложенного подхода:

 – изменение структуры нейронной сети (числа скрытых слоёв, нейронов в них, функций активации этих нейронов);

– повышение качества обучения ИНС путём увеличения числа участников и экспериментального установления оптимального количества эпох обучения;

 – повышение качества входного сигнала (аналоговая и цифровая фильтрация, защита от посторонних артефактов в сигнале).

Список литературы:

1. Luck S.J. Introduction to the Event-Related Potential Technique. Massachusetts Institute of Technology, 2005. – 50 с.
2. Sutton S., Braren M., Zubin J., John E. R. Evoked correlates of stimulus uncertainty. Science, 1965. – 150 с.