Cílem dizertační práce bylo ověřit vhodnost neuronových sítí pro rozhraní mozek-počítač (BCI). Navrhl jsem několik algoritmů založených na neuronových sítích, které byly následně srovnány s nejlepšími současně využívanými algoritmy v této oblasti. Testovány byly modifikace Kohonenových map (SOM) a Adaptive Resonance Theory (ART) umožňující učení s učitelem a také modely z kategorie deep learning
(např. zřetězené autoenkodéry).
V první části práce byly popsány v současnosti používané metody na zpracování signálu a klasifikaci v BCI systémech. BCI založené na komponentě P300 jsou probrány detailněji. Druhá část práce nejprve pojednává o algoritmech založených na neuronových sítích, které by bylo možné využít ke klasifikaci v oblasti BCI. Následně byly popsány experimenty k získání dat ověřujících navržené postupy. Pro extrakci příznaků byla použita metoda Windowed means založená na rozdělení signálu do předem určených oken. Modifikace SOM, ART a deep learning byly použity na klasifikaci. Všechny tyto modely nebyly dosud v oblasti BCI založených na P300 použity a nabízejí alternativy ke klasickým algoritmům (Linear Discriminant Analysis, Support Vector Machines). Kromě toho je popsáno on-line BCI, které umožnilo otestovat navržené algoritmy v reálném čase. Práce je uzavřena výsledky, jejich diskuzí a stručným přehledem současných a plánovaných projektů. LASSO model založený na SOM a autoenkodéry dosáhly stejných nebo lepších výsledků než ostatní algoritmy.
Annotation in English
The aim of the thesis was to evaluate neural networks for P300-based brain-computer interfaces. Several neural network classification algorithms were proposed and compared with traditionally used classifiers in this field. The algorithms tested included supervised modifications of self-organizing maps (SOMs), Adaptive Resonance Theory (ART), and models from deep learning category (e.g. stacked autoencoders).
In the first part of the thesis, state-of-the-art signal processing and classification techniques for P300 brain-computer interfaces (BCIs) were introduced. P300 BCIs were described in more detail. In the second part of the thesis, algorithms based on neural networks were proposed. Subsequently, the experiments designed to obtain the data used to evaluate proposed algorithms were described. State-of-the-art Windowed means paradigm method was used for feature extraction. Different modifications of SOMs, ART networks, and stacked autoencoders were used for classification. These models have so far never been explored in P300 BCIs and represent a promising alternative to traditional linear classifiers (Linear Discriminant Analysis, Support Vector Machines). Moreover, an on-line BCI was implemented to provide a real-time opportunity to test the proposed algorithms.
Finally, achieved results, ongoing work, and possibilities for future work were discussed. The LASSO model based on self-organizing maps and stacked autoencoders were able to match or outperform state-of-the-art classification techniques.
Cílem dizertační práce bylo ověřit vhodnost neuronových sítí pro rozhraní mozek-počítač (BCI). Navrhl jsem několik algoritmů založených na neuronových sítích, které byly následně srovnány s nejlepšími současně využívanými algoritmy v této oblasti. Testovány byly modifikace Kohonenových map (SOM) a Adaptive Resonance Theory (ART) umožňující učení s učitelem a také modely z kategorie deep learning
(např. zřetězené autoenkodéry).
V první části práce byly popsány v současnosti používané metody na zpracování signálu a klasifikaci v BCI systémech. BCI založené na komponentě P300 jsou probrány detailněji. Druhá část práce nejprve pojednává o algoritmech založených na neuronových sítích, které by bylo možné využít ke klasifikaci v oblasti BCI. Následně byly popsány experimenty k získání dat ověřujících navržené postupy. Pro extrakci příznaků byla použita metoda Windowed means založená na rozdělení signálu do předem určených oken. Modifikace SOM, ART a deep learning byly použity na klasifikaci. Všechny tyto modely nebyly dosud v oblasti BCI založených na P300 použity a nabízejí alternativy ke klasickým algoritmům (Linear Discriminant Analysis, Support Vector Machines). Kromě toho je popsáno on-line BCI, které umožnilo otestovat navržené algoritmy v reálném čase. Práce je uzavřena výsledky, jejich diskuzí a stručným přehledem současných a plánovaných projektů. LASSO model založený na SOM a autoenkodéry dosáhly stejných nebo lepších výsledků než ostatní algoritmy.
Annotation in English
The aim of the thesis was to evaluate neural networks for P300-based brain-computer interfaces. Several neural network classification algorithms were proposed and compared with traditionally used classifiers in this field. The algorithms tested included supervised modifications of self-organizing maps (SOMs), Adaptive Resonance Theory (ART), and models from deep learning category (e.g. stacked autoencoders).
In the first part of the thesis, state-of-the-art signal processing and classification techniques for P300 brain-computer interfaces (BCIs) were introduced. P300 BCIs were described in more detail. In the second part of the thesis, algorithms based on neural networks were proposed. Subsequently, the experiments designed to obtain the data used to evaluate proposed algorithms were described. State-of-the-art Windowed means paradigm method was used for feature extraction. Different modifications of SOMs, ART networks, and stacked autoencoders were used for classification. These models have so far never been explored in P300 BCIs and represent a promising alternative to traditional linear classifiers (Linear Discriminant Analysis, Support Vector Machines). Moreover, an on-line BCI was implemented to provide a real-time opportunity to test the proposed algorithms.
Finally, achieved results, ongoing work, and possibilities for future work were discussed. The LASSO model based on self-organizing maps and stacked autoencoders were able to match or outperform state-of-the-art classification techniques.