ISSN Print 2070–7320
ISSN Online 2070–7339
Вестник РГМУ
НАУЧНЫЙ МЕДИЦИНСКИЙ ЖУРНАЛ РНИМУ ИМЕНИ Н. И. ПИРОГОВА
МЕТОД
Улучшение работы интерфейса глаз–мозг–компьютер при использовании частотных компонентов ЭЭГ
Информация об авторах
1 Отдел нейрокогнитивных технологий, Курчатовский комплекс НБИКС-технологий,Национальный исследовательский центр «Курчатовский институт», Москва
2 Курчатовский комплекс НБИКС-технологий,Национальный исследовательский центр «Курчатовский институт», Москва
3 Факультет кибернетики и информационной безопасности,Национальный исследовательский ядерный университет «МИФИ», Москва
Для корреспонденции: Шишкин Сергей Львович
пл. Академика Курчатова, д. 1, г. Москва; 123182; ur.liam@nikghsihsgres
Информация о статье
Финансирование: работа выполнена при частичной поддержке Российского научного фонда, грант № 14-28-00234 (получение экспериментальных данных и их предварительная обработка), и Российского фонда фундаментальных исследований, грант № 15-29-01344 (оценка вклада вейвлетных признаков в классификацию).
Статья получена: 08.04.2016
Статья принята к печати: 15.04.2016
Опубликовано online: 05.01.2017
|
Рис. 1. Зависимость точности классификации фиксаций взгляда на управляющие и спонтанные от способа выделения признаков из ЭЭГ, зарегистрированной во время фиксации (по показателю AUC)
Обозначения: А — только амплитудные признаки, В — только вейвлетные признаки, АВ — комбинированный (амплитудно-вейвлетный) набор признаков; Z1 — тип нормализации перед PCA; Z2 — тип нормализации после PCA; признаки — нормализация значений признаков, взятых по отдельности; пробы — нормализация значений в пределах одной пробы. Вертикальные линии соответствуют доверительным интервалам 95 %.
Рис. 2. ROC-кривые (кривые рабочей характеристики приемника) по всем испытуемым при использовании амплитудно-вейвлетного набора признаков, нормализации по признакам перед PCA и нормализации по пробам после PCA (способ подготовки признаков, обеспечивший наиболее высокое значение AUC в среднем по группе). Красная линия показывает уровень случайной классификации, серая вертикальная линия — пример высоких требований к специфичности классификатора (частота ложных срабатываний 0,1)
Результаты анализа влияния способов подготовки признаков ЭЭГ на показатель точности классификации (AUC)
Примечание. С помощью многомерного дисперсионного анализа (MANOVA) анализировали зависимость AUC от фактора типа нормализации перед PCA (Z1), фактора типа нормализации после PCA (Z2), фактора набора признаков (амплитудный, вейвлетный, амплитудно-вейвлетный) и их взаимодействия (обозначено знаком ×). Жирным шрифтом выделен значимый эффект (p <0,05).
