Постер нашого проекту в межах курсів Machine Learning в LITS.

1. У ході експерименту на голові піддослідного розміщувалися
56 датчиків, які зчитували електромагнітні імпульси і
передавали ці дані до BCI модуля. Система намагалася
вгадати букву, зображену на моніторі, на якій фокусує
увагу піддослідний на основі цих даних.
Ця система допускає помилки при вгадуванні букв. Нашою
основною задачею було визначення правильності
передбачення, на основі зміни емоційного стану
піддослідного.
Визначення емоцій на основі
даних електроенцифалограми
Виконали: Сергій Шеховцов та Віталій Дук
Візуалізація «сирих»даних з датчиків показує
неможливість візуально визначити ознаки, що вказують
на правильність вгаданої літери
Алгоритм рішення:
1. Застосувати ICA
2. З результуючої матриці взяти N рядків після кожного
feedback моменту. Пропустивши певну кількість, ми
досягли найвищої точності пропустивши 10 і взявши
наступні 250 рядків(~1.2 cек. після появи літери на
екрані).
4. Знайти найкращий набір стовпців, використовуючи
крос валідацію.
5. Запустити класифікацію взявши набір найкращих
стовпців.
Основні задачі, які потрібно було вирішити:
1. Підібрати розмір вікна - кількість рядків після
моменту показу літери, які беруться для класифікації і
які пропускаються.
2. Підібрати найбільш важливі та впливові сенсори
(стовпці), які можна буде використати в класифікації.
4. Підібрати додаткові ознаки.
5. Вибрати алгоритм машинного навчання.
Отримані результати:
Ми використали Independent Component Analysis (ICA)
для декомпозиції записаних даних та отримання
віртуальних джерел імпульсів. Таким чином можна
виокремити непотрібні сигнали, що відповідають за рух
мязів (напр., моргання очей - EOG). Застосування ICA
дало покращення результату на ~10%.
У якості ознак було використано N рядків із трьох
найкращи джерел, які було отримано в результаті
декомпозиції сирих даних методом ICA.
Вибрані стовпці було транспоновано та поєднано в
один вектор. Також у якості ознак було додано такі
значення як: номер піддослідного, номер сесії, номер
прикладу, мінімальне, максимальне та середнє
значення у вибірці, стандартне відхилення (deviation).
Accuracy 72%
ROC 64%
Kaggle Benchmark 53%
«Сирі» дані / raw data
Sensor1 Sensor2 ... Sensor56 Feedbac
k
0.324234 -0.24323 ... 23.323 1
234.234 -42.3 ... 12342.23 0
-23.5425 234.003 ... 1234.134 1
32.14 -234.4245 ... 324.234 1
-42.3 234.234 ... -0.2334 0
234.0032 -23.5425 ... 23.323 0