Abstract
The hybrid “eye-brain-computer” interface is a new approach to the human-machine interaction. It allows the user to select an object of interest on a screen by tracking the user’s gaze direction. At the same time, the user’s intent to give a command is determined by registering and decoding brain activity. The interface operation is based on the fact that control gaze fixations can be distinguished from spontaneous fixations using electroencephalogram (EEG) signal.The article discusses the recognition of EEG patterns that correspond to the spontaneous and control gaze fixations. To improve the classification accuracy, we suggest using the relatively new feature construction methods for time series analysis. These methods include a selection of optimal frequency bands of the multivariate EEG signal and a modified method of shapelets. The first method constructs the optimal feature space using prior information on a difference in frequency components of the multivariate signal for different classes. The second method uses a genetic algorithm to provide selecting such fragments of the multivariate time-series, which reflect as much as possible the properties of one or more than one class of such time series. Thus, calculating distances between them and a set of k top-best shapelets allows us to provide feature description of the time series.The article consists of five sections. The first one provides a mathematical formulation of the multivariate time-series classification problem. The second section gives a formal description of the proposed methods for feature construction. The third section describes test data, which include the EEG records from the six users of the hybrid “eye-brain-computer” interface. In the fourth section, we evaluate an efficiency of the methods proposed in comparison with other known feature extraction techniques, which include: 1) calculation of the average EEG amplitude values in the overlapping windows; 2) estimation of the power spectral density in the specified frequency bands; 3) selection of the most informative features using a genetic algorithm. In the fifth section, we conduct the statistical analysis of the results obtained. It is shown that the feature construction method, based on the selection of optimal frequency bands of the EEG signal, in efficiency significantly outperforms other techniques considered and opens up the possibility to reduce the number of false positives of the hybrid interface.
Highlights
Постановка задачи классификации в пространстве признаковI-ый многомерный временной ряд; M – число измерений ряда, N – число дискретных отсчетов в каждом из измерений;
В настоящее время разработаны методики и программно-аппаратные комплексы, позволяющие пользователю управлять устройством с помощью взгляда
Предварительно для каждого из испытуемых был выполнен поиск шейплетов многомерных временных рядов с помощью генетического алгоритма и по итогам поиска составлен набор из 24 кандидатов в шейплеты, дающих максимальную оценку качества разделения классов
Summary
I-ый многомерный временной ряд; M – число измерений ряда, N – число дискретных отсчетов в каждом из измерений;. – метка класса, к которому принадлежит ряд ; K – общее число классов (состояний исследуемой динамической системы). С учетом принятых обозначений, задача построения классификатора многомерных временных рядов сводится к нахождению функции , доставляющей максимум критерию. При анализе многомерных временных рядов построение решающего правила в пространстве самих данных часто бывает затруднено. Решающее правило ищут в классе суперпозиций таких, что где функция задает отображение многомерных временных рядов в пространство признаков. . В этом случае решение задачи классификации фактически разбивается на два этапа: 1) формирование признакового описания временных рядов, учитывающего наиболее важные их свойства; 2) построение решающего правила в пространстве признаков. Что достижимая точность классификации зависит, как от выбора решающего правила , так и от выбора функции. Неточность в оценке параметров функции не всегда можно компенсировать путем увеличения сложности классификатора Важным является построение оптимального пространства признаков, в котором объекты, принадлежащие к разным классам, будут образовывать непересекающиеся подмножества
Sign-in/Register to view highlights & summary Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
