Ταξινόμηση σημάτων Ηλεκτροεγκεφαλογραφήματος νοητικών κινήσεων με τη χρήση Τεχνητού Νευρωνικού Δικτύου Αιχμών και Νευρομορφικού Υλικού

Abstract

Μη επεμβατικές Διεπαφές Εγκεφάλου-Υπολογιστή (ΔΕΥ) που κάνουν χρήση σημάτων Ηλεκτροεγκεφαλογραφήματος (ΗΕΓ) νοητικών κινήσεων, είναι υπεύθυνες για την μετάφραση της πρόθεσης του χρήστη για την κίνηση ενός άκρου του σε σήματα ελέγχου, ταξινομώντας τα μοτίβα ΗΕΓ που παράγονται από διαφορετικές νοητικές εργασίες, όπως η νοητική κίνηση των χεριών. Οι ΔΕΥ αυτής της μορφής έχουν μελετηθεί εκτενώς και χρησιμοποιούνται ήδη ως εναλλακτικός τρόπος επικοινωνίας και ελέγχου του περιβάλλοντος των ανθρώπων με αναπηρία, όπως ασθενείς που υποφέρουν από Πλάγια Μυατροφική Σκλήρυνση, εγκεφαλικό επεισόδιο και κάκωση του νωτιαίου μυελού. Η συμβίωση του αναπτυσσόμενου κλάδου των ΔΕΥ με τις πρόσφατες εξελίξεις στην Νευρομορφική Υπολογιστική, η οποίες επιτρέπουν την χαμηλής ισχύος υλοποίηση Νευρωνικών Δικτύων Αιχμών μεγάλης κλίμακας για την επεξεργασία δεδομένων σε πραγματικό χρόνο, μπορεί να οφελήσει σημαντικά μία πληθώρα από εφαρμογές διαφορετικών κλάδων. Στην παρούσα εργασία, υλοποιούμε και αναπτύσσουμε περαιτέρω ένα μοντέλο Νευρωνικού Δικτύου Αιχμών (ΝΔΑ), το οποίο είναι εμπνευσμένο από την αρχιτεκτονική του οσφρητικού συστήματος των εντόμων, για την αποκωδικοποίηση και πρόβλεψη νοητικών κινήσεων από σήματα ΗΕΓ. Το δίκτυο εκτελέστηκε στην πλατφόρμα νευρομορφικού υλικού SpiNNaker, η οποία αποτελείται από 4 ολοκληρωμένα κυκλώματα με 64 πυρήνες. Για την βελτίωση της απόδοσης του δικτύου, υλοποιήθηκε ένας αλγόριθμος μάθησης ανταμοιβής Spike-Time Dependent Plasticity (STDP), ενώ ελέγχθηκαν και άλλες τεχνικές, όπως η Ομοιόσταση και η μαζική μάθηση (batch learning) για την εκπαίδευση του δικτύου. Έχοντας ως στόχο την εύρεση συστατικών από τα σήματα ΗΕΓ, τα οποία να είναι σταθερά κατα μήκος των νοητικών κινήσεων της ίδιας κλάσης, αναλύθηκαν διάφορες τεχνικές εξαγωγής χαρακτηριστικών, όπως ο υπολογισμός της ισχύος υποζώνης συχνοτήτων, της λογαριθμικής ισχύος ζώνης και χαρακτηριστικών που παρουσιάζονται κατα τη διάρκεια μίας νοητικής κίνησης, από τα διαθέσιμα σήματα. Ελέγχθηκε, ακόμα, ο Διακριτός Μετασχηματισμός Κυματιδίων (ΔΜΚ), για την αποσύνθεση των δεδομένων ΗΕΓ, διατηρώντας την πληροφορία από τα πεδία του χρόνου και της συχνότητας. Από όλες τις προσεγγίσεις για την εξαγωγή σταθερών χαρακτηριστικών, ο ΔΜΚ απεδείχθει να έχει τα καλύτερα αποτελέσματα. Συνολικά, το Νευρωνικό Δίκτυο Αιχμών, εκπαιδευμένο με τη χρήση του αλγορίθμου μάθησης STDP, πετυχαίνει μέση ορθότητα ταξινόμησης 70.3%, ποσοστό 5.23% μικρότερο κατά μέσο όρο σε σύγκριση με τα αντίστοιχα ποσοστά των παραδοσιακών στατιστικών αλγορίθμων μάθησης. Τα αποτελέσματα, μεταξύ άλλων, μας υποδεικνύουν πως τα ΝΔΑ αποτελούν μία βάσιμη εναλλακτική των κλασσικών αλγορίθμων μηχανικής μάθησης για τη χρήση σε εφαρμογές ΔΕΥ, εάν ληφθεί υπόψη η μείωση της κατανάλωσης ισχύος και των χρόνων εκπαίδευσης που παρουσιάζουν όπως αποδεικνύεται στη βιβλιογραφία.