Обзор литературы: введение в предметную область [2] (RG #1)

[IPPK93]

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.

[IPPK93]

• Multi-class Brain-Computer Interface Classification by Riemannian Geometry

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.

[IPPK93]

• Classification of covariance matrices using a Riemannian-based kernel for BCI applications

Summary: В общем-то, решение задачи бинарной классификации в той же постановке, что и в статье выше. Сказать особо нечего...

[IPPK93]

• Riemannian Geometry for EEG-based Brain-Computer Interfaces

Summary:

О чём статья:

• Что за задачи обычно решается для BCI (предсказание того, о чём думает человек)
• Зачем эти задачи нужно решать (например, сделать электропротезы для людей, у которых нет каких-то частей тела)
• Почему стандартные подходы работают плохо (доказано в эксперименте, несколько аргументов в пользу того, что для минимизации среднего квадрата подходит больше матожидание хи-квадрат распределения, а не нормального)
• Обобщение среднего геометрического на пространства большей размерности (это и есть риманово среднее)
• Обзор существующих задач и методов решение (уделял больше внимания MI, там вся пространственная информация учитывается выборочной матрицей ковариаций)