مروری

پلتفرم Emotiv BCI (رابط مغز-کامپیوتر) برای ترجمه نیت کاربر به دستورات دیجیتال با استفاده از داده‌های EEG جمع‌آوری شده از هدست‌های Emotiv طراحی شده است. یک عنصر کلیدی در این ترجمه در قابلیت‌های پردازش سیگنال و یادگیری ماشین درون‌ساخته آن نهفته است. این ابزارها به سیستم این امکان را می‌دهند که دستورات ذهنی را به طور مؤثر دسته‌بندی کند، حتی با حداقل داده‌های آموزشی.

تکنیک‌های پردازش سیگنال

این پلتفرم از چندین تکنیک پردازش سیگنال برای استخراج ویژگی‌های معنادار از داده‌های خام EEG استفاده می‌کند. این تکنیک‌ها شامل:

• فیلترینگ: سیگنال‌های EEG فیلتر می‌شوند تا نویز حذف و باندهای فرکانسی مناسب جدا شوند.

• تبدیلات و استخراج ویژگی: ترکیبی از تبدیلات برای تولید ویژگی‌هایی که می‌توانند حالات ذهنی متمایز را با تأخیر کم و قابلیت اطمینان بالا نمایندگی کنند، اعمال می‌شود.

این پیش‌پردازش اطمینان می‌دهد که داده‌های ورودی به الگوریتم‌های یادگیری ماشین تمیز، نماینده و برای تجزیه و تحلیل در زمان واقعی مناسب است.

رویکرد یادگیری ماشین

برنامه EmotivBCI از مدل‌های مخلوط گاوسی (GMMs) برای دسته‌بندی دستورات ذهنی تعریف شده توسط کاربر استفاده می‌کند. این مدل انتخاب شده به این دلیل است:

• کارایی با مجموعه داده‌های کوچک: GMMs با داده‌های آموزشی محدود عملکرد خوبی دارند - معمولاً تنها به حدود ۸ ثانیه برای هر مثال آموزشی در هر کلاس نیاز دارند.

• تاخیر کم: ترکیب GMMs با استخراج ویژگی کارآمد اطمینان می‌دهد که سیستم می‌تواند به ورودی کاربر به سرعت پاسخ دهد.

• مقیاس‌پذیری: در حالی که GMMs به طور مؤثر با افزایش تعداد کلاس‌ها عمل می‌کنند، پیچیدگی یادگیری هم کاربر و هم سیستم افزایش می‌یابد.

• آموزش و استنتاج سریع: امضاهای GMM دستورات ذهنی در کمتر از یک ثانیه با استفاده از پردازنده‌های کم‌قدرت آموزش داده می‌شوند. استنتاج به‌صورت زمان واقعی اتفاق می‌افتد.

هم‌آموزی انسان و ماشین

یک جنبه منحصر به فرد از پلتفرم Emotiv BCI سیستم آموزش دوگانه آن است، جایی که هم ماشین و هم کاربر به طور همزمان یاد می‌گیرند:

• کاربر باید یاد بگیرد تا الگوهای ذهنی را تولید کند که:

  • متمایز: به وضوح از فعالیت‌های مغزی استراحت یا پس‌زمینه متفاوت باشد.

  • تکرارپذیر: به طور مداوم زمانی که همان دستور ذهنی تلاش می‌شود، تولید شود.

  • قابل تفکیک: منحصر به فرد در بین دستورات مختلف.

• ماشین از این مثال‌ها یاد می‌گیرد و دقت طبقه‌بندی را بهبود می‌بخشد زیرا داده‌های آموزشی بیشتری جمع‌آوری می‌شود.

به محض اینکه کاربران ماهرتر شوند، ممکن است تصمیم بگیرند آموزش را با یک “امضا” جدید - یک مجموعه داده تمیز که تلاش‌های آموزشی اولیه پرنویز را حذف می‌کند - از سر بگیرند، که منجر به بهبود عملکرد سیستم می‌شود.

نتیجه

پلتفرم BCI Emotiv تعادلی بین عملکرد و کارایی ایجاد می‌کند و امکان طبقه‌بندی مؤثر دستورات ذهنی را با حداقل داده‌ها با استفاده از مدل‌های مخلوط گاوسی و پردازش سیگنال پیچیده فراهم می‌آورد. مدل آموزشی انسان در حلقه خود اهمیت یادگیری کاربر را در دستیابی به نتایج بهینه تشخیص می‌دهد.