Une équipe de recherche dirigée par le professeur Sanghyun Park du Département de robotique et de génie mécanique de la DGIST a annoncé avoir développé un modèle d'apprentissage en quelques étapes capable de classer avec précision les ondes cérébrales en utilisant une petite quantité d'informations.

Une grande quantité de données sur les ondes cérébrales collectées auprès de sujets cibles est nécessaire pour classer de nouvelles ondes cérébrales à l’aide des modèles d’apprentissage en profondeur existants ; cependant, le modèle d'apprentissage en profondeur nouvellement développé est capable de classer avec précision les ondes cérébrales même avec une petite quantité de données, ce qui pourrait contribuer aux recherches futures liées aux ondes cérébrales.

Les données sur les ondes cérébrales varient considérablement selon les personnes. La distribution des ondes cérébrales diffère selon l'intervenant, même lorsque la même tâche est exécutée ; ainsi, la plupart des modèles de classification existants collectent des données auprès des artistes interprètes et les étiquetent pour les utiliser pour la formation, en se concentrant uniquement sur la classification intra-sujet. Par conséquent, les ondes cérébrales d’une personne n’ayant pas participé à la formation n’ont pas pu être classées à l’aide de ces modèles de classification.

Pour surmonter cet inconvénient, des recherches ont été activement menées sur les modèles « d'adaptation de domaine » dans lesquels des modèles d'apprentissage profond sont utilisés pour déduire les signaux des ondes cérébrales d'un sujet cible ; Cependant, le problème demeure : les modèles ne peuvent pas être facilement appliqués à de nouveaux sujets, car ils doivent également apprendre les données sur les ondes cérébrales de ces sujets.

En outre, d’autres études sont en cours sur l’optimisation des modèles d’apprentissage par transfert dans lesquels les données sur les ondes cérébrales collectées auprès de plusieurs individus sont entraînées, mais leur utilisation est plutôt faible puisqu’une grande quantité de données sur les ondes cérébrales est encore nécessaire.

L'équipe de recherche dirigée par le professeur Park a ainsi développé un nouveau modèle d'apprentissage profond capable de classer avec précision les ondes cérébrales en fonction des caractéristiques des ondes cérébrales de chaque sujet lorsque la vérité terrain d'une petite quantité de données est fournie à partir des données des ondes cérébrales obtenues à partir de la cible. sujets.

Pour apprendre efficacement la relation entre une petite quantité de données et les ondes cérébrales restantes, les caractéristiques significatives sont d'abord extraites des données des ondes cérébrales à l'aide du module d'intégration, puis le module d'attention temporelle est utilisé pour mettre en évidence les caractéristiques importantes des caractéristiques extraites tout en réduisant les bruits inutiles.

Par la suite, le module d'attention d'agrégation est utilisé pour trouver uniquement des données importantes à partir des données d'ondes cérébrales données afin d'identifier les caractéristiques de l'intention du sujet cible telles que représentées dans les ondes cérébrales. Enfin, le module de relation est utilisé pour calculer la relation entre les caractéristiques des ondes cérébrales et les vecteurs. En outre, une technologie de réglage fin de la classification des ondes cérébrales a été développée pour garantir que les ondes cérébrales sont classées avec précision grâce à l'optimisation.

Le modèle d'apprentissage en profondeur nouvellement développé par l'équipe de recherche a montré une précision de classification allant jusqu'à 76 % pour l'intention d'un sujet cible en utilisant 20 points de données d'ondes cérébrales dans la classification inter-sujets. Considérant que la précision des méthodes proposées précédemment (classification intra-sujet, apprentissage par transfert et autres méthodes d'apprentissage en quelques étapes) est de 64 à 73 %, le modèle nouvellement développé a démontré des performances supérieures.

Le professeur Park a déclaré : « Le modèle d'apprentissage profond de classification des ondes cérébrales développé dans cette étude est capable de classer avec précision les ondes cérébrales avec seulement une petite quantité d'informations, sans avoir à créer de nouvelles données d'apprentissage à partir des sujets, et par conséquent, il devrait contribuer à d'autres recherches connexes sur les ondes cérébrales nécessitant une individualisation. Il a en outre ajouté : « Notre technologie sera encore améliorée pour être utilisée de manière plus universelle dans diverses analyses de biosignaux. »

Cette recherche a été soutenue par le « Projet de développement d'une plate-forme intégrée de mégadonnées intelligentes pour des services personnalisés de gestion de la santé des agents de police » de l'Agence nationale de police coréenne et le « Projet de commercialisation de la technologie d'échange multisensorielle de robots humains immersifs » de la DGIST. Les résultats ont été publiés dans Transactions IEEE sur les réseaux de neurones et les systèmes d'apprentissage.

Fourni par la DGIST