科学家开发了一种为神经接口选择字典的开源算法

MISIS大学信息技术和计算机科学系副教授，博士，数学家和博士Alexandra Bernadotte优化了算法，显著提高了机器人设备对心理命令的识别精度。这是通过优化字典的选择来实现的。在机器人设备中实现的算法可用于通过噪声通信信道传输信息。研究结果发表在同行评议的国际科学杂志《数学》上。

在编写所谓的设备“字典”时，提高对象(音频、视频或电磁信号)分类的准确性是不同系统的开发人员所面临的任务，旨在提高人类的生活质量。

通过噪声通信通道接收控制命令远程控制的机器人设备

最简单的例子是语音助手。远程控制视距区域内物体的音频或视频传输设备，使用的是一组有限的命令。同时，基于神经网络的命令分类器对设备字典中包含的命令进行准确理解而不会混淆是很重要的。这也意味着在存在外来噪声的情况下，识别精度不应低于某一阈值。

选择一个有限的命令字典也与脑机接口(BCI)非常相关，该接口用于运动障碍患者远程控制机械臂。当一个人在思考一个特定的命令时，该设备可以感知和识别大脑的电活动模式。

难点在于，这些模式对于意义相近或发音相近的单词也是相似的。就这一点而言，为使用声音或电磁信号的输入设备的设计，从特定字典中分类出大脑命令或其他命令是一个严重的问题。然而，16-20条命令就足够控制大多数机器人设备了，而且命令优先级不在于字典中对象的种类，而在于识别的质量。

Alexandra Bernadotte在她的工作中提出的Maximin和Maximum算法允许选择一组字典对象，以最大限度地提高分类的准确性，同时与野蛮算法相比，她的算法能够将选择命令字典的时间减少5个数量级。

“现有的算法通常有助于提高已经创建的字典的分类准确性。我的目标是优化选择字典命令本身的过程。当字典足够大，并且您想要同样好地识别单词时，Maximin算法是有效的。如果我们需要提高识别的准确性，并且有更多的资源用于选择字典，则使用Maximum算法。”

3-partite图：3-partite集“abc”总权重最大

“解决这个问题的想法是用k-partite图的形式表示一组对象(编码为符号序列或视觉序列)，其中图的每个部分对应一组具有某种共同特征的对象(等价类)。图的边有对应于对n维大脑指令信号分布的Kolmogorov-Smirnov判据的值的权值，该判据属于不同的等价类——对不同的分区。”

“在这个图中找到一个总权重为Maximum或Maximin的集，给出所需的命令字典，这些命令字典的分类精度不低于指定的命令。这种算法可以用于信息传输领域的不同任务。”MISIS大学信息技术和计算机科学系副教授、Lomonosov莫斯科国立大学力学和数学系员工Alexandra Bernadotte博士、数学家和博士解释道。

用于字典选择任务的算法框架

提出的算法在模拟数据上的结果可以使用GitHub上的开源项目(github.com/aibern/maximin_k_cl…sification_algorithm)复现。

下一阶段的研究将是算法在真实(非模拟)数据上的应用，并对一个更一般的任务进行理论验证。

更多信息:

Alexandra Bernadotte, The Algorithm That Maximizes the Accuracy of k-Classification on the Set of Representatives of the k Equivalence Classes, Mathematics (2022). DOI: 10.3390/math10152810

版权声明：本文版权属于原作者，仅用于学术交流