Closed IPPK93 closed 11 months ago
Summary:
Данные: у нас есть набор коротких "попыток" (единица эксперимента), в рамках него человека просят что-то сделать/о чём-то подумать. В течение какого-то времени считывают с электродов потенциал, который туда попадает. Получаем матрицу (кол-во_электродов)x(частота). Эта матричка и есть наш вход.
Какую задачу решаем: задача классификации - по "попытке" (в виде показаний EEG) сказать, что происходило в жизни человека в этот момент (о чём думал/что увидел и т.п.).
Что делать с данными: базово - надо перевести их в пространство, в котором с ними просто работать. В MI используется Sample covariance matrix как промежуточное пространство, дальше средствами римановой геометрии можно либо сразу решать задачу (поиск ближайшего кластера, который представлен римановым средним айтемов из кластера); либо переводить эту матричку в другое пространство опять средствами Римановой геометрии, после этого занести получившуюся фичу в какой-нибудь SVM.
Summary: В общем-то, решение задачи бинарной классификации в той же постановке, что и в статье выше. Сказать особо нечего...
Summary:
О чём статья:
Введение в предметную область начинается с ознакомления с Multi-class Brain-Computer Interface Classification by Riemannian Geometry by A. Barachant et al., Classification of covariance matrices using a Riemannian-based kernel for BCI applications, Riemannian Geometry for EEG-based Brain-Computer Interfaces . Основной задачей является разбор методов, понимание идей реализации и поиск новых статей с данными алгоритмами и написание обзора по ним.