Daag je geheugen uit! Speel de nieuwe N-Back-game in de Emotiv App
Daag je geheugen uit! Speel de nieuwe N-Back-game in de Emotiv App
Daag je geheugen uit! Speel de nieuwe N-Back-game in de Emotiv App
De stand van AI-modellen in neurowetenschappelijk EEG-onderzoek
Mehul Nayak
-
Delen:
Wat je wint met Machine Learning (ML) en Deep Learning (DL)
We zijn het tijdperk van “big data” binnengegaan, waarin wetenschappelijke vooruitgang en ontdekkingskansen minder worden beperkt door de capaciteit voor gegevensopslag en -deling. In plaats daarvan worden technologische en wetenschappelijke innovaties meer beperkt door ons vermogen om deze overvloedig beschikbare data snel en effectief te gebruiken. In die zin bewijzen steeds robuustere en geavanceerdere AI-modelleringssystemen dat zelfs de meest complexe datasets kunnen worden teruggebracht tot geavanceerde algoritmen met behulp van realtime gegevensverwerking.
Neurowetenschap en AI
Deze algoritmen en modellen blijken vooral nuttig voor neurowetenschappers en onderzoekers die menselijke mentale processen willen begrijpen en er beter op willen reageren.
De toepassingen zijn eindeloos. De bruikbaarheid reikt van betere marketing en gebruikerservaringen via gezichtsherkenningstechnologieën tot verbeterde efficiëntie voor individuen bij het balanceren van hun cognitieve werkbelasting.
Met name EEG- en hersenonderzoeksbedrijf EMOTIV heeft de kracht van ML en DL aangetoond door de kosten van dit hersenonderzoek te verlagen en tegelijkertijd de efficiëntie van gegevensverzameling en -analyse te verhogen. Dit heeft op zijn beurt de bruikbaarheid van EEG sterk vergroot voor individuen, onderwijs- en academische gemeenschappen en ondernemingen die onder meer use-cases voor consumentenonderzoek verkennen.
Kunstmatige intelligentie, Machine Learning en Deep Learning
Langzaam maar zeker vindt AI zijn weg naar toepassingen die eerdere generaties zich niet hadden kunnen voorstellen, verlaagt het de kostenbarrières voor onderzoek en effent het een snellere route naar de technologische innovaties van morgen.
Nergens is dat duidelijker dan in het domein van EEG-technologie. Door geavanceerde ML- en DL-modellering te integreren, ontsluiten neurowetenschappers enorme mogelijkheden op verschillende gebieden, vooral brain-computerinterface-systemen en emotieherkenning.
Om de huidige status van AI-modellen bij het interpreteren van EEG-data te begrijpen, moeten enkele elementen conceptueel van elkaar worden onderscheiden. Hoewel termen als “kunstmatige intelligentie”, “machine learning” en “deep learning” vaak door elkaar worden gebruikt, zijn er belangrijke nuances die ze van elkaar onderscheiden.
Kunstmatige intelligentie
Toen creatieve geesten voor het eerst begrepen dat machines op een dag als mensen zouden kunnen denken, werd de term Kunstmatige Intelligentie geboren. AI omvat verschillende subvelden, waaronder machine learning en deep learning.
Machine Learning
Machine learning is een subveld, of tak, van AI, getraind met databanken om complexe algoritmen te ontwikkelen. Deze algoritmen kunnen vervolgens worden gebruikt om nauwkeurige voorspellingen te doen over nieuwe of voorbeelddata, zeer precieze classificatiesystemen voor data te ontwikkelen en daarbij patronen en inzichten te onthullen die voor wetenschappers zonder het gebruik van deze machines niet praktisch zouden zijn.
Deep Learning
Deep learning gaat een stap verder dan machine learning door meer aspecten van het leer- en trainingsproces te automatiseren. Deep-learningalgoritmen kunnen ongestructureerde datasets, zoals tekst of afbeeldingen, decoderen en vereisen daardoor veel minder menselijke tussenkomst. Daarom wordt deep learning omschreven als “schaalbare machine learning”.
Historische beperkingen en uitdagingen van EEG: de noodzaak van AI
Het menselijk brein bevat ongeveer 100 miljard neuronen. Om de complexe relaties tussen deze neuronen en hun respectieve synaptische verbindingen volledig te begrijpen, is het vermogen nodig om grote hoeveelheden hersendata holistisch te bekijken. Decennialang vormde het vermogen om patronen op metaniveau van neurale circuits uit EEG-data te isoleren de belangrijkste beperkende stap in de bruikbaarheid van EEG-metingen.
EEG-technologie zelf is goedkoop. De eerste EEG-hersengolfregistraties werden aan het einde van de 19e eeuw gemaakt, en het proces voor het verzamelen van EEG-metingen is niet-invasief en relatief eenvoudig.
De kosten die inherent zijn aan EEG-dataverzameling en -analyse zijn echter voornamelijk toegeschreven aan het handmatig verwijderen van overbodige artefacten die door EEG worden opgepikt, dat een lage signaal-ruisverhouding heeft. EEG-data is complex en bevat zowel niet-lineaire als niet-stationaire aspecten. Daarnaast bevat het factoren die uniek van persoon tot persoon verschillen.
Onderzoekers werden gedwongen om enorme hoeveelheden data handmatig voor te bewerken om onnodige ruis te verwijderen en rekening te houden met alle verschillende variabelen. Daarom was het lange tijd onpraktisch en onhaalbaar om EEG te gebruiken voor meer geavanceerde taken zoals emotieherkenning. Toch bleven onderzoekers het proberen.
Om de verzameling en analyse van EEG-hersendata te stroomlijnen en de kosten-batenbarrière voor onderzoekers te verlagen, ontwikkelden neurowetenschappers een EEG-classificatieverwerkingspijplijn om hun stappen op te splitsen, respectieve strategieën en technieken te verfijnen en de toepassingen van EEG te vergroten.
De algemene EEG-classificatiepijplijn in 5 stappen
Voorbewerking van data.
Initialiseren van de classificatieprocedure.
Opsplitsen van de dataset voor de classifier.
Voorspellen van de klasse van nieuwe data.
Evalueren van het classificatiemodel voor de testdataset.
Hoewel EEG momenteel nog steeds een van de meest kosteneffectieve en informatieve methoden is om hersenactiviteit vast te leggen, blijft de bruikbaarheid van EEG-data beperkt door hoe betrouwbaar wetenschappers hersendata kunnen registreren en hoe efficiënt ze die EEG-opnames kunnen verwerken.
De toekomst van EEG: de opkomst van AI en Big Data-mogelijkheden
De term “big data” verwijst naar de toenemende volumes, snelheden en variëteiten waarmee moderne technologie ons in staat stelt data te verzamelen en te verwerken. Big data verandert het neurowetenschappelijke landschap ingrijpend. Eenvoudig gezegd: we zijn nu, meer dan ooit, beter uitgerust om gebruik te maken van de enorme hoeveelheden data die we verzamelen.
Classificatietaken, vooral die gericht op het detecteren van emotionele toestanden, worden steeds vaker afgehandeld door binaire en multi-label classificatieprocessen. Gesuperviseerde ML-algoritmen leren van trainingsdata, ontwikkelen modellen en geleerde parameters en passen deze vervolgens toe op nieuwe data om elke dataset de bijbehorende klasselabels toe te wijzen. Dit proces elimineert de noodzaak voor mensen om tijd te besteden aan repetitieve, tijdrovende beslissingen.
Het is gemakkelijk om termen als “kunstmatige intelligentie” of “machine learning” te horen en te denken aan futuristische werelden uit popcultuur, zoals de film uit 1984, The Terminator. Je zou kunnen aannemen dat deze technologieën te complex zijn om te begrijpen of waardevol te zijn in de alledaagse taken die ten grondslag liggen aan je dagelijks leven.
Trap daar niet in
AI is veel minder geavanceerd dan oorspronkelijk werd uitgewerkt in blockbusters of gevierde sciencefictionklassiekers zoals Isaac Asimovs roman uit 1950 I, Robot. Zelfs mensen buiten het vakgebied van AI kunnen huidige AI-modellering begrijpen en beschikbare modellen gebruiken in hun eigen onderzoek.
Realtime ML- en DL-toepassingen in EEG-onderzoeksliteratuur
Het gebruik van ML- en DL-algoritmen om hersendata te interpreteren is de afgelopen jaren aanzienlijk gegroeid, zoals blijkt uit een in 2021 gepubliceerde systematische review die peer-reviewed onderzoek identificeerde gericht op het ontwikkelen en verfijnen van EEG-verwerkingsalgoritmen. Ongeveer 63% van de artikelen in deze review werd in de afgelopen drie jaar gepubliceerd, wat suggereert dat het gebruik van deze modellen in toekomstige BCI-systemen en ER-onderzoek naar verwachting zal toenemen.
In Lukas Geimens gepubliceerde artikel “Machine-learning-based diagnostics of EEG pathology” onderzochten hij en zijn team ML-methoden en hun capaciteit om klinische EEG-analyse te automatiseren. Door de geautomatiseerde EEG-modellen in te delen in feature-based of end-to-end benaderingen, “pasten zij het voorgestelde feature-based framework en diepe neurale netwerken toe, een voor EEG geoptimaliseerd temporal convolutional network (TCN).” Ze ontdekten dat de nauwkeurigheden over beide benaderingen verrassend dicht bij elkaar lagen, variërend van 81% tot 86%. De resultaten tonen aan dat het voorgestelde feature-based decodeerframework een vergelijkbare nauwkeurigheid heeft als diepe neurale netwerken.
Yannick Roys artikel van et al in het Journal of Neuroengineering bespreekt hoe hij en zijn team 154 papers hebben beoordeeld die DL op EEG toepassen, gepubliceerd tussen januari 2010 en juli 2018. Deze papers besloegen “verschillende toepassingsdomeinen zoals epilepsie, slaap, brain-computer interfacing en cognitieve en affectieve monitoring.” Ze ontdekten dat de hoeveelheid gebruikte EEG-data in tijdsduur varieerde van enkele minuten tot meerdere uren. Het aantal samples dat tijdens de training van deep-learningmodellen werd gezien varieerde echter van enkele tientallen tot enkele miljoenen. Binnen al deze data ontdekten ze dat de deep-learningbenaderingen nauwkeuriger waren dan de traditionele baselines in alle studies die hiervan gebruikmaakten.
Visualisaties en analyses gaven aan dat beide benaderingen vergelijkbare aspecten van de data gebruikten, bijvoorbeeld delta- en thetabandvermogen op temporale elektrodelocaties. Yannick Roy et al stellen dat de nauwkeurigheden van huidige binaire EEG-pathologiedecoders bijna 90% kunnen verzadigen door de onvolmaakte interbeoordelaarsovereenkomst van de klinische labels en dat zulke decoders al klinisch bruikbaar zijn, bijvoorbeeld in gebieden waar klinische EEG-experts schaars zijn. Ze hebben voorgesteld dat het feature-based framework beschikbaar is als open source en zo een nieuw hulpmiddel biedt voor EEG-machinelearningonderzoek.
DL heeft een exponentiële toename in publicaties gezien, wat een groeiende interesse in dit type verwerking binnen de wetenschappelijke gemeenschap weerspiegelt.
Wat is uniek aan EMOTIV-hersendata en EEG-apparaten?
ML- en DL-modellen leveren baanbrekende vooruitgang op in EEG-technologieën. Als het gaat om de meest concurrerende, moderne EEG-apparaten op de markt, verlegt geen enkel bedrijf de grenzen meer dan EMOTIV.
EMOTIV is een bio-informaticabedrijf en pionier in het versterken van de neurowetenschappelijke gemeenschap door het gebruik van EEG. De innovaties van EMOTIV vallen onder de paraplu van BCI's, ook wel aangeduid als “Mind Machine Interface”, “Direct Neural Interface” en “Brain-Machine Interface”. Deze technologieën worden al meer dan tien jaar gebruikt om cognitieve prestaties te volgen, emoties te monitoren en virtuele en fysieke objecten te besturen via machine learning en getrainde mentale commando’s.
EMOTIV EEG-headsets omvatten EMOTIV EPOC FLEX (32-kanaals EEG), EMOTIV INSIGHT 2.0 (5-kanaals EEG) en EPOC X (14-kanaals EEG). Hun unieke algoritmen detecteren:
Frustratie
Interesse
Ontspanning
Opwinding
Betrokkenheid
Stress
Aandacht
EMOTIV gaat veel verder dan EEG-headsets. Ze hebben geholpen een ecosysteem van tools en functies te stimuleren dat kan worden gebruikt door academici, webontwikkelaars en zelfs nieuwsgierige individuen zonder neurowetenschappelijke achtergrond.
EmotivLABS
EmotivLABS helpt individuele gebruikers samen te brengen met onderzoekers, en faciliteert mogelijkheden om EMOTIV-hersendata via crowdsourcing te verzamelen.
EMOTIV Cortex
Met EMOTIV Cortex kunnen onderzoekers aangepaste applicaties ontwikkelen die gebruikers tools bieden om gepersonaliseerde ervaringen en activaties te creëren met realtime hersendata.
EmotivPRO
Onderzoekers en instellingen kunnen hun EMOTIV-apparaten koppelen aan EmotivPRO, dat helpt bij het opbouwen, publiceren, verzamelen en analyseren van EEG-data.
EmotivPRO biedt een geïntegreerde analyse van nabewerkte data met behulp van EMOTIV’s eigen cloudgebaseerde analyzer, waardoor onderzoekers hun opnames niet hoeven te exporteren.
Doordat de verwerkingspijplijn op de cloudservers van EMOTIV wordt uitgevoerd, vermindert dit de belasting van je systeem en kun je middelen besparen. Met deze AI- en ML-EEG-technologie behoud je niet alleen beter middelen, maar profiteer je ook van complexe realtime data-analyse. Bereik meer met je studies door gebruik te maken van de kracht van cloudtechnologieën die dagen werk terugbrengen tot een kwestie van minuten en tijdsintensieve taken voltooien.
Met zijn EEG-headsets en applicaties heeft EMOTIV de missie van het bedrijf verder gebracht door individuen in staat te stellen de innerlijke werking van hun geest te ontsluiten en wereldwijd hersenonderzoek te versnellen.
Onderzoeksinstituten ontdekken de goedkope, op afstand inzetbare EEG-technologieën van EMOTIV. Evenzo ontdekken neurowetenschappelijke onderzoekers bij bedrijven en ondernemingen die use-cases voor consumentenonderzoek en consumenteninnovatie verkennen de bruikbaarheid van de EEG-headsets en applicaties van EMOTIV voor diverse bedrijfskritische toepassingen.
Wil je meer weten over EMOTIV? Klik hier om de website te bezoeken of een demo aan te vragen.
Wat je wint met Machine Learning (ML) en Deep Learning (DL)
We zijn het tijdperk van “big data” binnengegaan, waarin wetenschappelijke vooruitgang en ontdekkingskansen minder worden beperkt door de capaciteit voor gegevensopslag en -deling. In plaats daarvan worden technologische en wetenschappelijke innovaties meer beperkt door ons vermogen om deze overvloedig beschikbare data snel en effectief te gebruiken. In die zin bewijzen steeds robuustere en geavanceerdere AI-modelleringssystemen dat zelfs de meest complexe datasets kunnen worden teruggebracht tot geavanceerde algoritmen met behulp van realtime gegevensverwerking.
Neurowetenschap en AI
Deze algoritmen en modellen blijken vooral nuttig voor neurowetenschappers en onderzoekers die menselijke mentale processen willen begrijpen en er beter op willen reageren.
De toepassingen zijn eindeloos. De bruikbaarheid reikt van betere marketing en gebruikerservaringen via gezichtsherkenningstechnologieën tot verbeterde efficiëntie voor individuen bij het balanceren van hun cognitieve werkbelasting.
Met name EEG- en hersenonderzoeksbedrijf EMOTIV heeft de kracht van ML en DL aangetoond door de kosten van dit hersenonderzoek te verlagen en tegelijkertijd de efficiëntie van gegevensverzameling en -analyse te verhogen. Dit heeft op zijn beurt de bruikbaarheid van EEG sterk vergroot voor individuen, onderwijs- en academische gemeenschappen en ondernemingen die onder meer use-cases voor consumentenonderzoek verkennen.
Kunstmatige intelligentie, Machine Learning en Deep Learning
Langzaam maar zeker vindt AI zijn weg naar toepassingen die eerdere generaties zich niet hadden kunnen voorstellen, verlaagt het de kostenbarrières voor onderzoek en effent het een snellere route naar de technologische innovaties van morgen.
Nergens is dat duidelijker dan in het domein van EEG-technologie. Door geavanceerde ML- en DL-modellering te integreren, ontsluiten neurowetenschappers enorme mogelijkheden op verschillende gebieden, vooral brain-computerinterface-systemen en emotieherkenning.
Om de huidige status van AI-modellen bij het interpreteren van EEG-data te begrijpen, moeten enkele elementen conceptueel van elkaar worden onderscheiden. Hoewel termen als “kunstmatige intelligentie”, “machine learning” en “deep learning” vaak door elkaar worden gebruikt, zijn er belangrijke nuances die ze van elkaar onderscheiden.
Kunstmatige intelligentie
Toen creatieve geesten voor het eerst begrepen dat machines op een dag als mensen zouden kunnen denken, werd de term Kunstmatige Intelligentie geboren. AI omvat verschillende subvelden, waaronder machine learning en deep learning.
Machine Learning
Machine learning is een subveld, of tak, van AI, getraind met databanken om complexe algoritmen te ontwikkelen. Deze algoritmen kunnen vervolgens worden gebruikt om nauwkeurige voorspellingen te doen over nieuwe of voorbeelddata, zeer precieze classificatiesystemen voor data te ontwikkelen en daarbij patronen en inzichten te onthullen die voor wetenschappers zonder het gebruik van deze machines niet praktisch zouden zijn.
Deep Learning
Deep learning gaat een stap verder dan machine learning door meer aspecten van het leer- en trainingsproces te automatiseren. Deep-learningalgoritmen kunnen ongestructureerde datasets, zoals tekst of afbeeldingen, decoderen en vereisen daardoor veel minder menselijke tussenkomst. Daarom wordt deep learning omschreven als “schaalbare machine learning”.
Historische beperkingen en uitdagingen van EEG: de noodzaak van AI
Het menselijk brein bevat ongeveer 100 miljard neuronen. Om de complexe relaties tussen deze neuronen en hun respectieve synaptische verbindingen volledig te begrijpen, is het vermogen nodig om grote hoeveelheden hersendata holistisch te bekijken. Decennialang vormde het vermogen om patronen op metaniveau van neurale circuits uit EEG-data te isoleren de belangrijkste beperkende stap in de bruikbaarheid van EEG-metingen.
EEG-technologie zelf is goedkoop. De eerste EEG-hersengolfregistraties werden aan het einde van de 19e eeuw gemaakt, en het proces voor het verzamelen van EEG-metingen is niet-invasief en relatief eenvoudig.
De kosten die inherent zijn aan EEG-dataverzameling en -analyse zijn echter voornamelijk toegeschreven aan het handmatig verwijderen van overbodige artefacten die door EEG worden opgepikt, dat een lage signaal-ruisverhouding heeft. EEG-data is complex en bevat zowel niet-lineaire als niet-stationaire aspecten. Daarnaast bevat het factoren die uniek van persoon tot persoon verschillen.
Onderzoekers werden gedwongen om enorme hoeveelheden data handmatig voor te bewerken om onnodige ruis te verwijderen en rekening te houden met alle verschillende variabelen. Daarom was het lange tijd onpraktisch en onhaalbaar om EEG te gebruiken voor meer geavanceerde taken zoals emotieherkenning. Toch bleven onderzoekers het proberen.
Om de verzameling en analyse van EEG-hersendata te stroomlijnen en de kosten-batenbarrière voor onderzoekers te verlagen, ontwikkelden neurowetenschappers een EEG-classificatieverwerkingspijplijn om hun stappen op te splitsen, respectieve strategieën en technieken te verfijnen en de toepassingen van EEG te vergroten.
De algemene EEG-classificatiepijplijn in 5 stappen
Voorbewerking van data.
Initialiseren van de classificatieprocedure.
Opsplitsen van de dataset voor de classifier.
Voorspellen van de klasse van nieuwe data.
Evalueren van het classificatiemodel voor de testdataset.
Hoewel EEG momenteel nog steeds een van de meest kosteneffectieve en informatieve methoden is om hersenactiviteit vast te leggen, blijft de bruikbaarheid van EEG-data beperkt door hoe betrouwbaar wetenschappers hersendata kunnen registreren en hoe efficiënt ze die EEG-opnames kunnen verwerken.
De toekomst van EEG: de opkomst van AI en Big Data-mogelijkheden
De term “big data” verwijst naar de toenemende volumes, snelheden en variëteiten waarmee moderne technologie ons in staat stelt data te verzamelen en te verwerken. Big data verandert het neurowetenschappelijke landschap ingrijpend. Eenvoudig gezegd: we zijn nu, meer dan ooit, beter uitgerust om gebruik te maken van de enorme hoeveelheden data die we verzamelen.
Classificatietaken, vooral die gericht op het detecteren van emotionele toestanden, worden steeds vaker afgehandeld door binaire en multi-label classificatieprocessen. Gesuperviseerde ML-algoritmen leren van trainingsdata, ontwikkelen modellen en geleerde parameters en passen deze vervolgens toe op nieuwe data om elke dataset de bijbehorende klasselabels toe te wijzen. Dit proces elimineert de noodzaak voor mensen om tijd te besteden aan repetitieve, tijdrovende beslissingen.
Het is gemakkelijk om termen als “kunstmatige intelligentie” of “machine learning” te horen en te denken aan futuristische werelden uit popcultuur, zoals de film uit 1984, The Terminator. Je zou kunnen aannemen dat deze technologieën te complex zijn om te begrijpen of waardevol te zijn in de alledaagse taken die ten grondslag liggen aan je dagelijks leven.
Trap daar niet in
AI is veel minder geavanceerd dan oorspronkelijk werd uitgewerkt in blockbusters of gevierde sciencefictionklassiekers zoals Isaac Asimovs roman uit 1950 I, Robot. Zelfs mensen buiten het vakgebied van AI kunnen huidige AI-modellering begrijpen en beschikbare modellen gebruiken in hun eigen onderzoek.
Realtime ML- en DL-toepassingen in EEG-onderzoeksliteratuur
Het gebruik van ML- en DL-algoritmen om hersendata te interpreteren is de afgelopen jaren aanzienlijk gegroeid, zoals blijkt uit een in 2021 gepubliceerde systematische review die peer-reviewed onderzoek identificeerde gericht op het ontwikkelen en verfijnen van EEG-verwerkingsalgoritmen. Ongeveer 63% van de artikelen in deze review werd in de afgelopen drie jaar gepubliceerd, wat suggereert dat het gebruik van deze modellen in toekomstige BCI-systemen en ER-onderzoek naar verwachting zal toenemen.
In Lukas Geimens gepubliceerde artikel “Machine-learning-based diagnostics of EEG pathology” onderzochten hij en zijn team ML-methoden en hun capaciteit om klinische EEG-analyse te automatiseren. Door de geautomatiseerde EEG-modellen in te delen in feature-based of end-to-end benaderingen, “pasten zij het voorgestelde feature-based framework en diepe neurale netwerken toe, een voor EEG geoptimaliseerd temporal convolutional network (TCN).” Ze ontdekten dat de nauwkeurigheden over beide benaderingen verrassend dicht bij elkaar lagen, variërend van 81% tot 86%. De resultaten tonen aan dat het voorgestelde feature-based decodeerframework een vergelijkbare nauwkeurigheid heeft als diepe neurale netwerken.
Yannick Roys artikel van et al in het Journal of Neuroengineering bespreekt hoe hij en zijn team 154 papers hebben beoordeeld die DL op EEG toepassen, gepubliceerd tussen januari 2010 en juli 2018. Deze papers besloegen “verschillende toepassingsdomeinen zoals epilepsie, slaap, brain-computer interfacing en cognitieve en affectieve monitoring.” Ze ontdekten dat de hoeveelheid gebruikte EEG-data in tijdsduur varieerde van enkele minuten tot meerdere uren. Het aantal samples dat tijdens de training van deep-learningmodellen werd gezien varieerde echter van enkele tientallen tot enkele miljoenen. Binnen al deze data ontdekten ze dat de deep-learningbenaderingen nauwkeuriger waren dan de traditionele baselines in alle studies die hiervan gebruikmaakten.
Visualisaties en analyses gaven aan dat beide benaderingen vergelijkbare aspecten van de data gebruikten, bijvoorbeeld delta- en thetabandvermogen op temporale elektrodelocaties. Yannick Roy et al stellen dat de nauwkeurigheden van huidige binaire EEG-pathologiedecoders bijna 90% kunnen verzadigen door de onvolmaakte interbeoordelaarsovereenkomst van de klinische labels en dat zulke decoders al klinisch bruikbaar zijn, bijvoorbeeld in gebieden waar klinische EEG-experts schaars zijn. Ze hebben voorgesteld dat het feature-based framework beschikbaar is als open source en zo een nieuw hulpmiddel biedt voor EEG-machinelearningonderzoek.
DL heeft een exponentiële toename in publicaties gezien, wat een groeiende interesse in dit type verwerking binnen de wetenschappelijke gemeenschap weerspiegelt.
Wat is uniek aan EMOTIV-hersendata en EEG-apparaten?
ML- en DL-modellen leveren baanbrekende vooruitgang op in EEG-technologieën. Als het gaat om de meest concurrerende, moderne EEG-apparaten op de markt, verlegt geen enkel bedrijf de grenzen meer dan EMOTIV.
EMOTIV is een bio-informaticabedrijf en pionier in het versterken van de neurowetenschappelijke gemeenschap door het gebruik van EEG. De innovaties van EMOTIV vallen onder de paraplu van BCI's, ook wel aangeduid als “Mind Machine Interface”, “Direct Neural Interface” en “Brain-Machine Interface”. Deze technologieën worden al meer dan tien jaar gebruikt om cognitieve prestaties te volgen, emoties te monitoren en virtuele en fysieke objecten te besturen via machine learning en getrainde mentale commando’s.
EMOTIV EEG-headsets omvatten EMOTIV EPOC FLEX (32-kanaals EEG), EMOTIV INSIGHT 2.0 (5-kanaals EEG) en EPOC X (14-kanaals EEG). Hun unieke algoritmen detecteren:
Frustratie
Interesse
Ontspanning
Opwinding
Betrokkenheid
Stress
Aandacht
EMOTIV gaat veel verder dan EEG-headsets. Ze hebben geholpen een ecosysteem van tools en functies te stimuleren dat kan worden gebruikt door academici, webontwikkelaars en zelfs nieuwsgierige individuen zonder neurowetenschappelijke achtergrond.
EmotivLABS
EmotivLABS helpt individuele gebruikers samen te brengen met onderzoekers, en faciliteert mogelijkheden om EMOTIV-hersendata via crowdsourcing te verzamelen.
EMOTIV Cortex
Met EMOTIV Cortex kunnen onderzoekers aangepaste applicaties ontwikkelen die gebruikers tools bieden om gepersonaliseerde ervaringen en activaties te creëren met realtime hersendata.
EmotivPRO
Onderzoekers en instellingen kunnen hun EMOTIV-apparaten koppelen aan EmotivPRO, dat helpt bij het opbouwen, publiceren, verzamelen en analyseren van EEG-data.
EmotivPRO biedt een geïntegreerde analyse van nabewerkte data met behulp van EMOTIV’s eigen cloudgebaseerde analyzer, waardoor onderzoekers hun opnames niet hoeven te exporteren.
Doordat de verwerkingspijplijn op de cloudservers van EMOTIV wordt uitgevoerd, vermindert dit de belasting van je systeem en kun je middelen besparen. Met deze AI- en ML-EEG-technologie behoud je niet alleen beter middelen, maar profiteer je ook van complexe realtime data-analyse. Bereik meer met je studies door gebruik te maken van de kracht van cloudtechnologieën die dagen werk terugbrengen tot een kwestie van minuten en tijdsintensieve taken voltooien.
Met zijn EEG-headsets en applicaties heeft EMOTIV de missie van het bedrijf verder gebracht door individuen in staat te stellen de innerlijke werking van hun geest te ontsluiten en wereldwijd hersenonderzoek te versnellen.
Onderzoeksinstituten ontdekken de goedkope, op afstand inzetbare EEG-technologieën van EMOTIV. Evenzo ontdekken neurowetenschappelijke onderzoekers bij bedrijven en ondernemingen die use-cases voor consumentenonderzoek en consumenteninnovatie verkennen de bruikbaarheid van de EEG-headsets en applicaties van EMOTIV voor diverse bedrijfskritische toepassingen.
Wil je meer weten over EMOTIV? Klik hier om de website te bezoeken of een demo aan te vragen.
Wat je wint met Machine Learning (ML) en Deep Learning (DL)
We zijn het tijdperk van “big data” binnengegaan, waarin wetenschappelijke vooruitgang en ontdekkingskansen minder worden beperkt door de capaciteit voor gegevensopslag en -deling. In plaats daarvan worden technologische en wetenschappelijke innovaties meer beperkt door ons vermogen om deze overvloedig beschikbare data snel en effectief te gebruiken. In die zin bewijzen steeds robuustere en geavanceerdere AI-modelleringssystemen dat zelfs de meest complexe datasets kunnen worden teruggebracht tot geavanceerde algoritmen met behulp van realtime gegevensverwerking.
Neurowetenschap en AI
Deze algoritmen en modellen blijken vooral nuttig voor neurowetenschappers en onderzoekers die menselijke mentale processen willen begrijpen en er beter op willen reageren.
De toepassingen zijn eindeloos. De bruikbaarheid reikt van betere marketing en gebruikerservaringen via gezichtsherkenningstechnologieën tot verbeterde efficiëntie voor individuen bij het balanceren van hun cognitieve werkbelasting.
Met name EEG- en hersenonderzoeksbedrijf EMOTIV heeft de kracht van ML en DL aangetoond door de kosten van dit hersenonderzoek te verlagen en tegelijkertijd de efficiëntie van gegevensverzameling en -analyse te verhogen. Dit heeft op zijn beurt de bruikbaarheid van EEG sterk vergroot voor individuen, onderwijs- en academische gemeenschappen en ondernemingen die onder meer use-cases voor consumentenonderzoek verkennen.
Kunstmatige intelligentie, Machine Learning en Deep Learning
Langzaam maar zeker vindt AI zijn weg naar toepassingen die eerdere generaties zich niet hadden kunnen voorstellen, verlaagt het de kostenbarrières voor onderzoek en effent het een snellere route naar de technologische innovaties van morgen.
Nergens is dat duidelijker dan in het domein van EEG-technologie. Door geavanceerde ML- en DL-modellering te integreren, ontsluiten neurowetenschappers enorme mogelijkheden op verschillende gebieden, vooral brain-computerinterface-systemen en emotieherkenning.
Om de huidige status van AI-modellen bij het interpreteren van EEG-data te begrijpen, moeten enkele elementen conceptueel van elkaar worden onderscheiden. Hoewel termen als “kunstmatige intelligentie”, “machine learning” en “deep learning” vaak door elkaar worden gebruikt, zijn er belangrijke nuances die ze van elkaar onderscheiden.
Kunstmatige intelligentie
Toen creatieve geesten voor het eerst begrepen dat machines op een dag als mensen zouden kunnen denken, werd de term Kunstmatige Intelligentie geboren. AI omvat verschillende subvelden, waaronder machine learning en deep learning.
Machine Learning
Machine learning is een subveld, of tak, van AI, getraind met databanken om complexe algoritmen te ontwikkelen. Deze algoritmen kunnen vervolgens worden gebruikt om nauwkeurige voorspellingen te doen over nieuwe of voorbeelddata, zeer precieze classificatiesystemen voor data te ontwikkelen en daarbij patronen en inzichten te onthullen die voor wetenschappers zonder het gebruik van deze machines niet praktisch zouden zijn.
Deep Learning
Deep learning gaat een stap verder dan machine learning door meer aspecten van het leer- en trainingsproces te automatiseren. Deep-learningalgoritmen kunnen ongestructureerde datasets, zoals tekst of afbeeldingen, decoderen en vereisen daardoor veel minder menselijke tussenkomst. Daarom wordt deep learning omschreven als “schaalbare machine learning”.
Historische beperkingen en uitdagingen van EEG: de noodzaak van AI
Het menselijk brein bevat ongeveer 100 miljard neuronen. Om de complexe relaties tussen deze neuronen en hun respectieve synaptische verbindingen volledig te begrijpen, is het vermogen nodig om grote hoeveelheden hersendata holistisch te bekijken. Decennialang vormde het vermogen om patronen op metaniveau van neurale circuits uit EEG-data te isoleren de belangrijkste beperkende stap in de bruikbaarheid van EEG-metingen.
EEG-technologie zelf is goedkoop. De eerste EEG-hersengolfregistraties werden aan het einde van de 19e eeuw gemaakt, en het proces voor het verzamelen van EEG-metingen is niet-invasief en relatief eenvoudig.
De kosten die inherent zijn aan EEG-dataverzameling en -analyse zijn echter voornamelijk toegeschreven aan het handmatig verwijderen van overbodige artefacten die door EEG worden opgepikt, dat een lage signaal-ruisverhouding heeft. EEG-data is complex en bevat zowel niet-lineaire als niet-stationaire aspecten. Daarnaast bevat het factoren die uniek van persoon tot persoon verschillen.
Onderzoekers werden gedwongen om enorme hoeveelheden data handmatig voor te bewerken om onnodige ruis te verwijderen en rekening te houden met alle verschillende variabelen. Daarom was het lange tijd onpraktisch en onhaalbaar om EEG te gebruiken voor meer geavanceerde taken zoals emotieherkenning. Toch bleven onderzoekers het proberen.
Om de verzameling en analyse van EEG-hersendata te stroomlijnen en de kosten-batenbarrière voor onderzoekers te verlagen, ontwikkelden neurowetenschappers een EEG-classificatieverwerkingspijplijn om hun stappen op te splitsen, respectieve strategieën en technieken te verfijnen en de toepassingen van EEG te vergroten.
De algemene EEG-classificatiepijplijn in 5 stappen
Voorbewerking van data.
Initialiseren van de classificatieprocedure.
Opsplitsen van de dataset voor de classifier.
Voorspellen van de klasse van nieuwe data.
Evalueren van het classificatiemodel voor de testdataset.
Hoewel EEG momenteel nog steeds een van de meest kosteneffectieve en informatieve methoden is om hersenactiviteit vast te leggen, blijft de bruikbaarheid van EEG-data beperkt door hoe betrouwbaar wetenschappers hersendata kunnen registreren en hoe efficiënt ze die EEG-opnames kunnen verwerken.
De toekomst van EEG: de opkomst van AI en Big Data-mogelijkheden
De term “big data” verwijst naar de toenemende volumes, snelheden en variëteiten waarmee moderne technologie ons in staat stelt data te verzamelen en te verwerken. Big data verandert het neurowetenschappelijke landschap ingrijpend. Eenvoudig gezegd: we zijn nu, meer dan ooit, beter uitgerust om gebruik te maken van de enorme hoeveelheden data die we verzamelen.
Classificatietaken, vooral die gericht op het detecteren van emotionele toestanden, worden steeds vaker afgehandeld door binaire en multi-label classificatieprocessen. Gesuperviseerde ML-algoritmen leren van trainingsdata, ontwikkelen modellen en geleerde parameters en passen deze vervolgens toe op nieuwe data om elke dataset de bijbehorende klasselabels toe te wijzen. Dit proces elimineert de noodzaak voor mensen om tijd te besteden aan repetitieve, tijdrovende beslissingen.
Het is gemakkelijk om termen als “kunstmatige intelligentie” of “machine learning” te horen en te denken aan futuristische werelden uit popcultuur, zoals de film uit 1984, The Terminator. Je zou kunnen aannemen dat deze technologieën te complex zijn om te begrijpen of waardevol te zijn in de alledaagse taken die ten grondslag liggen aan je dagelijks leven.
Trap daar niet in
AI is veel minder geavanceerd dan oorspronkelijk werd uitgewerkt in blockbusters of gevierde sciencefictionklassiekers zoals Isaac Asimovs roman uit 1950 I, Robot. Zelfs mensen buiten het vakgebied van AI kunnen huidige AI-modellering begrijpen en beschikbare modellen gebruiken in hun eigen onderzoek.
Realtime ML- en DL-toepassingen in EEG-onderzoeksliteratuur
Het gebruik van ML- en DL-algoritmen om hersendata te interpreteren is de afgelopen jaren aanzienlijk gegroeid, zoals blijkt uit een in 2021 gepubliceerde systematische review die peer-reviewed onderzoek identificeerde gericht op het ontwikkelen en verfijnen van EEG-verwerkingsalgoritmen. Ongeveer 63% van de artikelen in deze review werd in de afgelopen drie jaar gepubliceerd, wat suggereert dat het gebruik van deze modellen in toekomstige BCI-systemen en ER-onderzoek naar verwachting zal toenemen.
In Lukas Geimens gepubliceerde artikel “Machine-learning-based diagnostics of EEG pathology” onderzochten hij en zijn team ML-methoden en hun capaciteit om klinische EEG-analyse te automatiseren. Door de geautomatiseerde EEG-modellen in te delen in feature-based of end-to-end benaderingen, “pasten zij het voorgestelde feature-based framework en diepe neurale netwerken toe, een voor EEG geoptimaliseerd temporal convolutional network (TCN).” Ze ontdekten dat de nauwkeurigheden over beide benaderingen verrassend dicht bij elkaar lagen, variërend van 81% tot 86%. De resultaten tonen aan dat het voorgestelde feature-based decodeerframework een vergelijkbare nauwkeurigheid heeft als diepe neurale netwerken.
Yannick Roys artikel van et al in het Journal of Neuroengineering bespreekt hoe hij en zijn team 154 papers hebben beoordeeld die DL op EEG toepassen, gepubliceerd tussen januari 2010 en juli 2018. Deze papers besloegen “verschillende toepassingsdomeinen zoals epilepsie, slaap, brain-computer interfacing en cognitieve en affectieve monitoring.” Ze ontdekten dat de hoeveelheid gebruikte EEG-data in tijdsduur varieerde van enkele minuten tot meerdere uren. Het aantal samples dat tijdens de training van deep-learningmodellen werd gezien varieerde echter van enkele tientallen tot enkele miljoenen. Binnen al deze data ontdekten ze dat de deep-learningbenaderingen nauwkeuriger waren dan de traditionele baselines in alle studies die hiervan gebruikmaakten.
Visualisaties en analyses gaven aan dat beide benaderingen vergelijkbare aspecten van de data gebruikten, bijvoorbeeld delta- en thetabandvermogen op temporale elektrodelocaties. Yannick Roy et al stellen dat de nauwkeurigheden van huidige binaire EEG-pathologiedecoders bijna 90% kunnen verzadigen door de onvolmaakte interbeoordelaarsovereenkomst van de klinische labels en dat zulke decoders al klinisch bruikbaar zijn, bijvoorbeeld in gebieden waar klinische EEG-experts schaars zijn. Ze hebben voorgesteld dat het feature-based framework beschikbaar is als open source en zo een nieuw hulpmiddel biedt voor EEG-machinelearningonderzoek.
DL heeft een exponentiële toename in publicaties gezien, wat een groeiende interesse in dit type verwerking binnen de wetenschappelijke gemeenschap weerspiegelt.
Wat is uniek aan EMOTIV-hersendata en EEG-apparaten?
ML- en DL-modellen leveren baanbrekende vooruitgang op in EEG-technologieën. Als het gaat om de meest concurrerende, moderne EEG-apparaten op de markt, verlegt geen enkel bedrijf de grenzen meer dan EMOTIV.
EMOTIV is een bio-informaticabedrijf en pionier in het versterken van de neurowetenschappelijke gemeenschap door het gebruik van EEG. De innovaties van EMOTIV vallen onder de paraplu van BCI's, ook wel aangeduid als “Mind Machine Interface”, “Direct Neural Interface” en “Brain-Machine Interface”. Deze technologieën worden al meer dan tien jaar gebruikt om cognitieve prestaties te volgen, emoties te monitoren en virtuele en fysieke objecten te besturen via machine learning en getrainde mentale commando’s.
EMOTIV EEG-headsets omvatten EMOTIV EPOC FLEX (32-kanaals EEG), EMOTIV INSIGHT 2.0 (5-kanaals EEG) en EPOC X (14-kanaals EEG). Hun unieke algoritmen detecteren:
Frustratie
Interesse
Ontspanning
Opwinding
Betrokkenheid
Stress
Aandacht
EMOTIV gaat veel verder dan EEG-headsets. Ze hebben geholpen een ecosysteem van tools en functies te stimuleren dat kan worden gebruikt door academici, webontwikkelaars en zelfs nieuwsgierige individuen zonder neurowetenschappelijke achtergrond.
EmotivLABS
EmotivLABS helpt individuele gebruikers samen te brengen met onderzoekers, en faciliteert mogelijkheden om EMOTIV-hersendata via crowdsourcing te verzamelen.
EMOTIV Cortex
Met EMOTIV Cortex kunnen onderzoekers aangepaste applicaties ontwikkelen die gebruikers tools bieden om gepersonaliseerde ervaringen en activaties te creëren met realtime hersendata.
EmotivPRO
Onderzoekers en instellingen kunnen hun EMOTIV-apparaten koppelen aan EmotivPRO, dat helpt bij het opbouwen, publiceren, verzamelen en analyseren van EEG-data.
EmotivPRO biedt een geïntegreerde analyse van nabewerkte data met behulp van EMOTIV’s eigen cloudgebaseerde analyzer, waardoor onderzoekers hun opnames niet hoeven te exporteren.
Doordat de verwerkingspijplijn op de cloudservers van EMOTIV wordt uitgevoerd, vermindert dit de belasting van je systeem en kun je middelen besparen. Met deze AI- en ML-EEG-technologie behoud je niet alleen beter middelen, maar profiteer je ook van complexe realtime data-analyse. Bereik meer met je studies door gebruik te maken van de kracht van cloudtechnologieën die dagen werk terugbrengen tot een kwestie van minuten en tijdsintensieve taken voltooien.
Met zijn EEG-headsets en applicaties heeft EMOTIV de missie van het bedrijf verder gebracht door individuen in staat te stellen de innerlijke werking van hun geest te ontsluiten en wereldwijd hersenonderzoek te versnellen.
Onderzoeksinstituten ontdekken de goedkope, op afstand inzetbare EEG-technologieën van EMOTIV. Evenzo ontdekken neurowetenschappelijke onderzoekers bij bedrijven en ondernemingen die use-cases voor consumentenonderzoek en consumenteninnovatie verkennen de bruikbaarheid van de EEG-headsets en applicaties van EMOTIV voor diverse bedrijfskritische toepassingen.
Wil je meer weten over EMOTIV? Klik hier om de website te bezoeken of een demo aan te vragen.
