Книга
Workshop of the 5th International Conference on Learning Representations (ICLR)
Нейрокомпьютерные интерфейсы, или, как их принято называть в отечественной литературе, интерфейсы мозг-компьютер (ИМК), находят применение в ряде областей и имеют потенциал использования для решения как исследовательских, так и практических задач. В настоящее время ведутся пилотные исследования клинического применения ИМК в постинсультной нейрореабилитации [Frolov et al., 2013; Ang et al., 2010], кроме того, существует перспектива использования ИМК для непосредственного восстановления возможностей движения/коммуникации путём создания альтернативного канала обмена информацией с интеллектуальными протезами и окружающей средой. При работе с электрофизиологическими данными возникает необходимость обработки многомерных, нестационарных сигналов, которые отражают сложные физиологические процессы. Интерфейсы, основанные на неинвазивных технологиях регистрации активности головного мозга, до сих пор не обеспечивают надёжного информационного контакта с мозгом пользователя. Результаты нашего исследования показывают, что улучшение рабочих характеристик таких систем возможно за счёт построения новых алгоритмов машинного обучения, учитывающих физиологические и психоэмоциональные особенности использования ИМК. Разработка таких алгоритмов может вестись как в классической Байесовской парадигме, так и с использованием современных технологий глубинного обучения. Кроме того, создание методик физиологической интерпретации нелинейных решающих правил, найденных многослойными структурами, открывает новые перспективы автоматического и объективного извлечения знаний из данных нейрофизиологических экспериментов. Несмотря на всю привлекательность неинвазивных технологий, радикальное повышение пропускной способности коммуникационного канала ИМК и применение этой технологии для управления протезами возможно лишь при помощи инвазивных методов регистрации активности головного мозга. Электрокортикограмма (ЭКоГ) - наименее инвазивная из таких технологий, и в заключительной части работы мы демонстрируем возможность использования ЭКоГ для декодирования кинематических характеристик движения пальца.
Рассматривается задача автоматической классификации эмоций в цифровом аудио сигнале. В работе рассматривается и верифицируется подход, в котором классификация звукового фрагмента производится с помощью рекуррентной нейронной сети c долговременно-кратковременной памятью. В качестве признаков использовались мел-кепстральные коэффициенты. Произведен численный эксперимент на открытом наборе данных Ravdess, включающий 8 различных эмоций: “нейтральный”, “спокойный”, “счастливый”, “грустный”, “злой”, “испуганный”, “отвращение”, “удивление” и проведено сравнение разных наборов признаков и разных архитектур сети.
Технологии обработки естественного языка сегодня шагнули далеко вперед, и немалая заслуга в этом принадлежит машинному обучению, применяемому, в частности, для понимания текстов.