İnsanların Zihinsel Durumlarını Makine Öğrenimi ile İzleme

IEEE Systems, Man ve Cybernetics Magazine'de yayınlanan yeni bir makale , zihinsel iş yükünü ve duygusal durumları tespit etmek ve izlemek amacıyla bir dizi son teknoloji makine öğrenme algoritması ile yapılan birkaç deneyin sonuçlarını açıklıyor. bir insan beyni.

Beyin-bilgisayar arayüzlerinde veya BCI'larda - aktif (yalnızca beyin aktivitesiyle cihazları kontrol etmek için kullanılır) veya pasif (bir kullanıcının zihinsel durumunu veya duygularını izlemek için kullanılır) olarak sınıflandırılır - beyin sinyalleri tipik olarak elektroensefalografi (EEG) ile ölçülür.


Bununla birlikte sorun, ham EEG sinyallerinin belirli, anlamlı modeller halinde organize edilmesinin zor olması ve şu anda mevcut sistemlerin pasif BCI'leri işlevsel kılmak için yeterince gelişmiş dijital işleme algoritmalarına sahip olmamasıdır.


"Düşük doğruluk, insan beyninin son derece yüksek karmaşıklığından kaynaklanıyor. Ortak yazar Andrzej Cichocki, beyin, sınırlı sayıda mikrofon veya diğer sensörleri kullanarak her bir enstrümanın belirli seslerini çıkarmak istediğimiz binlerce müzik aletinin olduğu dev bir orkestra gibidir ”dedi.


Çalışmada, Cichocki ve meslektaşları daha önce aktif BCI'larda oldukça etkili olduğu bulunan iki grup makine öğrenme algoritmasına baktı: Riemannian geometri tabanlı sınıflandırıcılar (RGC'ler) ve evrişimli sinir ağları (CNN'ler). Toplamda, araştırmacılar ikisi kendi tasarladıkları yedi algoritma ile deneyler yaptılar.


İlk deney, algoritmaları belirli bir bireyin EEG verileri üzerinde eğiterek ve daha sonra aynı kişi üzerinde test ederek gerçekleştirildi. Öte yandan ikinci deney, özneden bağımsızdı ve bu nedenle deneklerin beyin dalgalarındaki farklılıklar nedeniyle önemli ölçüde daha zorlayıcıydı.

Sonuçlar, yapay bir derin sinir ağının iş yükü tahmininde daha etkili olduğunu, ancak duyguları sınıflandırmada düşük performans gösterdiğini gösterdi. Buna karşılık, araştırma için araştırmacılar tarafından değiştirilen iki Riemann algoritması her iki görevde de oldukça başarılı oldu.

Yazarlara göre, bulguları, pasif BCI'lerin iş yükü tahmini için daha faydalı olduğunu, ancak duygusal durumları tespit etme ve izleme konusunda o kadar güçlü olmadığını gösteriyor. Dahası, konudan bağımsız kalibrasyonu iyileştirmek için daha fazla araştırmaya ihtiyaç vardır ve bu da şu anda oldukça düşük doğruluk seviyelerine yol açar.

“Sonraki adımlarda, beyin sinyallerindeki veya beyin modellerinde çok küçük değişiklikleri tespit etmemize olanak tanıyan daha karmaşık yapay zeka (AI) yöntemleri, özellikle de derin öğrenme kullanmayı planlıyoruz. Derin sinir ağları, farklı senaryolarda ve farklı koşullar altında birçok konu için geniş bir veri seti temelinde eğitilebilir. AI gerçek bir devrimdir ve ayrıca BCI ve insan duygularının tanınması için potansiyel olarak yararlıdır ”dedi Cichocki.