人类观察者脑电信号中机器人动作成功的标志：基于深度卷积神经网络的解码与可视化
人机交互
2018-07-19 v1 机器学习
机器人学
摘要
机器人辅助设备在我们工作和日常生活中的重要性日益增长。涉及机器人与人类的协作场景需要安全的人机交互。其中一个重要方面是机器人错误的管理，包括快速准确的在线机器人错误检测与纠正。分析与人交互的机器人的人类脑信号可能有助于识别机器人错误，但此类分析的准确率仍有很大提升空间。在本文中，我们评估了一种基于深度卷积神经网络（deep ConvNets）的新框架是否能在物体抓取和倾倒任务中提高从人类观察者的EEG解码机器人错误的准确率。我们表明，deep ConvNets达到了比正则化线性判别分析（rLDA）以及滤波 bank 共空间模式（FB-CSP）结合rLDA（两者均为广泛使用的EEG分类器）显著更高的准确率。对于错误与正确试次的解码，deep ConvNets的平均准确率为75% ± 9%，rLDA为65% ± 10%，FB-CSP + rLDA为63% ± 6%。对ConvNets学习用于解码错误的时域EEG特征的可视化揭示了反映两种实验范式之间差异的时空模式。跨被试而言，ConvNet解码准确率与rLDA所得者显著相关，但与CSP无关，表明在当前背景下ConvNets表现得更为“rLDA样”（但持续更优），而在先前另一任务但相同ConvNet架构的解码研究中，发现其表现得更“CSP样”。我们的发现从而进一步支持了深度ConvNets是现有EEG解码技术工具箱中具有通用性的补充这一假设，并讨论了如何进一步优化ConvNet的EEG解码性能。
引用
@article{arxiv.1711.06068,
title = {The signature of robot action success in EEG signals of a human observer: Decoding and visualization using deep convolutional neural networks},
author = {Joos Behncke and Robin Tibor Schirrmeister and Wolfram Burgard and Tonio Ball},
journal= {arXiv preprint arXiv:1711.06068},
year = {2018}
}