Hypergraph Case-based Reasoning applied to Brain-Computer Interfaces: A Pilot Study

Autor: Cattan, Grégoire, Quemy, Alexandre
Přispěvatelé: CATTAN, Grégoire, IBM - Cloud and Cognitive Software, Poznan University of Technology (PUT)
Jazyk: francouzština
Rok vydání: 2021
Předmět:
Interface Cerveau-Ordinateur (ICO)
[INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI]
ACM: K.: Computing Milieux/K.8: PERSONAL COMPUTING/K.8.0: General
Human-Computer Interaction (HCI)
Classification Non Structurée
[SCCO.COMP]Cognitive science/Computer science
ACM: G.: Mathematics of Computing
[INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Électroencéphalographie (EEG)
[SCCO.COMP] Cognitive science/Computer science
[INFO.INFO-HC]Computer Science [cs]/Human-Computer Interaction [cs.HC]
Electroencephalography (EEG)
P300
Hypergraph Case-based Reasoning (HCBR)
Unstructured Classification
[SCCO.NEUR]Cognitive science/Neuroscience
[SCCO.NEUR] Cognitive science/Neuroscience
Interaction Homme-Machine (IHM)
Interface Cerveau-Machine (ICM)
Event-Related Potential (ERP)
Potentiels Evoqués Cognitifs (PEC)
Apprentissage de Métrique
Raisonnement par Cas basé sur un Hypergraphe (RCH)
Supervised Learning
[INFO.INFO-HC] Computer Science [cs]/Human-Computer Interaction [cs.HC]
Brain-Computer Interface (BCI)
Metric Learning
Apprentissage Supervisé
Popis: Signal analysis of brain-computer interface (BCI) based on electroencephalography (EEG) is complex and, therefore constitutes a practical impediment for application developers and content providers. In this study, we evaluate the use of the hypergraph case-based reasoning (HCBR) classifier to simplify EEG analysis, by reducing the number of pre-processing steps. Direct and preprocessed data were given as input to HCBR. Maximal performance was achieved with preprocessed data, thereby invalidating our initial hypothesis. Best testing (predicting) accuracy was 71.10 (52.04) %. This shows that the classifier was able to learn from the data, but that more research is required to obtain better predicting accuracy. This could be achieved by enlarging the number of trials through transfer learning.
L’analyse du signal des interfaces cerveau-machines (ICM) basée sur l’électroencéphalographie (EEG) est complexe et constitue un obstacle pour les développeurs d’applications et les créateurs de contenus. Dans cette étude, nous évaluons l’utilisation du classifieur HCBR, qui évolue dans un espace non-structuré (raisonnement par cas) afin de simplifier l’analyse EEG en réduisant le nombre d’étapes de prétraitement. Des données directes et prétraitées ont été fournies en entrée du classifieur. La performance du classifieur était meilleur avec les donnes prétraitées, invalidant par conséquent notre hypothèse initiale. La précision maximale obtenue par le classifieur était respectivement de 71.10 % et 52.04 % lors de la phase de test et de prédiction (sur des données prétraitées). Ceci indique que HCBR est capable d'apprendre à partir des données, mais que davantage d’efforts restent nécessaires pour obtenir une meilleure précision lors de la prédiction - par exemple en augmentant le nombre d’essais grâce au transfert d’apprentissage.
Databáze: OpenAIRE
Externí odkaz: