Машинное обучение может помочь отслеживать психическое состояние человека
Исследователи из Сколтеха, INRIA и RIKEN Advanced Intelligence Project исследовали возможности нескольких современных алгоритмов машинного обучения по решению таких сложных задач, как определение умственной нагрузки и аффективных состояний человека. Разработанное учеными программное обеспечение может быть использовано при создании более "умных" интерфейсов мозг-компьютер (ИМК), которые могут найти применение в медицине и других областях.
Результаты исследования опубликованы в журнале IEEE Systems, Man, and Cybernetics.
ИМК обеспечивает связь между мозгом человека и компьютером, позволяя человеку управлять различными устройствами, такими как рука робота или инвалидное кресло, по сигналу, поступающему от головного мозга (активный ИМК). ИМК также позволяет отслеживать и классифицировать психоэмоциональные состояния человека (пассивный ИМК). Сигналы мозга, поступающие в ИМК, как правило, измеряют при помощи электроэнцефалографии (ЭЭГ) – распространенного неинвазивного метода измерения электрической активности головного мозга.
Получаемые в результате ЭЭГ "сырые" данные в виде непрерывных сигналов должны подвергнуться достаточно основательной обработке, прежде чем они смогут обеспечить точное определение умственной нагрузки и аффективных состояний человека, что является необходимым условием для корректной работы пассивного ИМК. Имеющиеся на сегодняшний день экспериментальные данные свидетельствуют о том, что точность этих измерений недостаточна даже для решения таких простых задач, как определение различия между высокой и низкой умственной нагрузкой, не говоря уже об их использовании в практических приложениях.
"Такая низкая точность измерений обусловлена чрезвычайно сложным устройством человеческого мозга. Представьте себе, что наш мозг – это огромный оркестр, в котором участвуют тысячи инструментов, а нам нужно при помощи ограниченного числа микрофонов и датчиков выделить характерное звучание каждого отдельного инструмента", − отметил один из авторов статьи, профессор Центра Сколтеха по научным и инженерным вычислительным технологиям для задач с большими массивами данных (CDISE) Анджей Чихоцкий.
Из этого следует, что для решения задач классификации данных ЭЭГ и распознавания различных паттернов головного мозга требуются более надежные и точные алгоритмы. Профессор Чихоцкий и его коллеги рассмотрели две группы алгоритмов машинного обучения, классификаторов на основе римановой геометрии (RGC) и сверточных нейронных сетей (CNN), которые неплохо зарекомендовали себя в активных ИМК. Исследователи решили выяснить, справятся ли эти алгоритмы не только с так называемыми воображаемыми двигательными задачами, в которых испытуемый представляет в своем воображении определенные движения конечностей, в реальности не совершая их, но и с задачами оценки умственной нагрузки и аффективных состояний.
Ученые провели своего рода "конкурс" для семи алгоритмов, два из которых ученые разработали самостоятельно путем оптимизации хорошо зарекомендовавших себя римановых алгоритмов. В одном из двух экспериментов использовалась типичная для ИМК схема, в которой алгоритмы сначала обучались на данных об определенном испытуемом, а затем на нем же и тестировались. Второй эксперимент проводился без привязки к определенному испытуемому, а эта схема гораздо сложнее, так как у разных людей активность мозга может быть очень разной. В экспериментах использовались реальные данные ЭЭГ из более ранних экспериментов одного из авторов статьи Фабьена Лотте и его коллег, а также база данных DEAP, где собраны данные по анализу эмоциональных состояний человека.
Ученые обнаружили, что глубокая нейронная сеть обошла всех своих "конкурентов" в решении задачи оценки умственной нагрузки, но при этом плохо справилась с задачей классификации эмоциональных состояний, а вот два алгоритма с римановой оптимизацией неплохо проявили себя в решении обеих задач. В статье авторы делают вывод о том, что использовать пассивный ИМК для классификации аффективных состояний гораздо сложнее, чем для оценки умственной нагрузки, а калибровка алгоритма без привязки к определенному испытуемому пока дает существенно более низкую точность.
"На следующих этапах исследования мы планируем использовать более сложные методы на основе искусственного интеллекта (ИИ) и, в первую очередь, методы глубокого обучения, с помощью которых можно выявлять самые незначительные изменения в сигналах и паттернах мозга. Глубокие нейронные сети можно обучать на больших наборах данных, содержащих информацию о большом количестве испытуемых, различных тестовых сценариях и условиях испытаний. Искусственный интеллект, создание которого стало настоящей революцией, может оказаться весьма полезным для ИМК и решения задач распознавания человеческих эмоций", − сказал Анджей Чихоцкий.
