Wykorzystanie maszyny wektorów nośnych oraz liniowej analizy dyskryminacyjnej jako klasyfikatorów cech w interfejsach mózg-komputer
[ 1 ] Politechnika Poznańska | [ D ] phd student
EN Using support vector machine and linear discriminant analysis for features classification in brain-computer interfaces
2014
scientific article
polish
- interfejs mózg-komputer
- maszyna wektorów nośnych
- liniowa analiza dyskryminacyjna
- brain-computer interface
- support vector machine (SVM)
- linear discriminant analysis
PL Głównym celem artykułu jest porównanie skuteczności klasyfikacji cech dwóch algorytmów klasyfikujących wykorzystywanych w interfejsach mózg-komputer: SVM (ang. Support Vector Machine, Maszyna Wektorów Nośnych) oraz LDA (ang. Linear Discriminant Analysis, Liniowa Analiza Dyskryminacyjna). W artykule przedstawiono interfejs, w którym użytkownikowi prezentowane są dwa bodźce migające z różną częstotliwością (10 i 15 Hz), a następnie za pomocą elektrod elektroencefalografu mierzona jest odpowiedź elektryczna mózgu. W takich interfejsach sygnał zbierany jest zwykle w okolicach potylicznych (nad korą wzrokową). W prezentowanym rozwiązaniu sygnał mierzony jest z okolic czołowych. W przetwarzaniu i analizie sygnału zastosowano algorytmy statystycznego uczenia maszynowego. Do ekstrakcji cech sygnału wykorzystano Szybką Transformatę Fouriera, do selekcji cech: test t-Welcha, a do klasyfikacji cech: SVM oraz DLA. Na podstawie odpowiedzi uzyskanej z klasyfikatora możliwe jest np. wysterowanie kierunku skrętu robota mobilnego lub włączenie czy wyłączenie oświetlenia.
EN The main aim of this article is to compare the effectiveness of the classification of the two classifiers used in brain-computer interfaces: SVM (Support Vector Machine) and LDA (Linear Discriminant Analysis). The article presents an interface in which the subject is presented the two stimuli flashing at different frequencies (10 and 15 Hz) and then by using EEG electrodes electrical response of the brain is measured. In these interfaces, the signal is typically collected in the occipital area (on the visual cortex). In the presented solution the signal is measured form the prefrontal cortex. For signal processing and analysis statistical machine learning algorithms were used. For features’ extraction Fast Fourier Transform was used. For features’ selection Welch’s t test was used. For features’ classification was used SVM and DLA. Based on the responses obtained from the classifier it is possible to control the direction of a mobile robot’s movement or turning the lights on and off.
25 - 30
public
9