B RAIN -C OMPUTER I NTERFACE Ilya Kuzovkin 7 June 2014 Now I know - - PowerPoint PPT Presentation

▶
b rain c omputer
SMART_READER_LITE
LIVE PREVIEW

B RAIN -C OMPUTER I NTERFACE Ilya Kuzovkin 7 June 2014 Now I know - - PowerPoint PPT Presentation

Mar 21, 2023 214 likes •1.02k views

B RAIN -C OMPUTER I NTERFACE Ilya Kuzovkin 7 June 2014 Now I know how your brain signal looks like when you think LEFT and RIGHT Now I know how your brain signal looks like when you think LEFT and RIGHT Try

slide-1
SLIDE 1

BRAIN-COMPUTER INTERFACE

Ilya Kuzovkin

7 June 2014

slide-2
SLIDE 2
slide-3
SLIDE 3
slide-4
SLIDE 4
slide-5
SLIDE 5
slide-6
SLIDE 6

Now I know how your brain signal looks like when you think “LEFT” and “RIGHT”

slide-7
SLIDE 7

Now I know how your brain signal looks like when you think “LEFT” and “RIGHT” Try me — think

  • r
slide-8
SLIDE 8

Now I know how your brain signal looks like when you think “LEFT” and “RIGHT” Try me — think

  • r

It was

  • wasn’t it?
slide-9
SLIDE 9

Now I know how your brain signal looks like when you think “LEFT” and “RIGHT” Try me — think

  • r

How would you use such technology? It was

  • wasn’t it?
slide-10
SLIDE 10

BRAIN-COMPUTER INTERFACE

Mental intention

slide-11
SLIDE 11

Mental intention Neuroimaging

BRAIN-COMPUTER INTERFACE

slide-12
SLIDE 12

Mental intention Neuroimaging

Name some neuroimaging techniques

BRAIN-COMPUTER INTERFACE

slide-13
SLIDE 13

Mental intention Signal Neuroimaging

BRAIN-COMPUTER INTERFACE

slide-14
SLIDE 14

Mental intention Signal Data Neuroimaging

BRAIN-COMPUTER INTERFACE

slide-15
SLIDE 15

Mental intention Signal Data Algorithm Neuroimaging

BRAIN-COMPUTER INTERFACE

slide-16
SLIDE 16

BRAIN-COMPUTER INTERFACE

Mental intention Signal Data Algorithm With 87% certainty I can say that you are thinking “LEFT” right now Neuroimaging

slide-17
SLIDE 17

NEURONS

http://biomedicalengineering.yolasite.com

slide-18
SLIDE 18

NEURONS

http://biomedicalengineering.yolasite.com

slide-19
SLIDE 19

NEURONS

http://www.conncad.com/gallery/single_cells.html

slide-20
SLIDE 20

NEURONS

http://en.wikipedia.org/wiki/Neural_oscillation

slide-21
SLIDE 21

NEURONS

http://en.wikipedia.org/wiki/Neural_oscillation

slide-22
SLIDE 22

NEURONS

http://en.wikipedia.org/wiki/Neural_oscillation

slide-23
SLIDE 23

NEURONS

http://en.wikipedia.org/wiki/Neural_oscillation

What is the frequency in this example?

slide-24
SLIDE 24

BRAINWAVES

slide-25
SLIDE 25

BRAINWAVES

Delta

0-4 Hz

Theta

4-7 Hz

Alpha

7-14 Hz

Mu

8-13 Hz

Beta

15-30 Hz

Gamma

30-100 Hz

slide-26
SLIDE 26

BRAINWAVES

Delta

0-4 Hz

Theta

4-7 Hz

Alpha

7-14 Hz

Mu

8-13 Hz

Beta

15-30 Hz

Gamma

30-100 Hz

slow wave sleep, babies, lesions children, drowsiness, meditation, relaxed closed eyes, relaxed motor neuron in rest, mirror neurons motor activity, anxious thinking, concentration networking between populations of neurons

slide-27
SLIDE 27

EEG

slide-28
SLIDE 28

EEG

slide-29
SLIDE 29

EEG

TIME CHANNELS

slide-30
SLIDE 30

EEG

TIME CHANNELS

slide-31
SLIDE 31

EEG

Alpha

7-14 Hz

Beta

15-30 Hz

Gamma

30-100 Hz

?

TIME CHANNELS

slide-32
SLIDE 32

EEG

Alpha

7-14 Hz

Beta

15-30 Hz

Gamma

30-100 Hz

?

TIME CHANNELS

Jean Baptiste Joseph Fourier 1768 — 1830

slide-33
SLIDE 33

FOURIER TRANSFORM*

slide-34
SLIDE 34

FOURIER TRANSFORM*

*discrete

slide-35
SLIDE 35

FOURIER TRANSFORM*

*discrete

=

slide-36
SLIDE 36

FOURIER TRANSFORM*

*discrete

signal at time t frequency complex number

=

slide-37
SLIDE 37

FOURIER TRANSFORM*

*discrete

signal at time t frequency complex number

=

Amplitude of the component with frequency k

slide-38
SLIDE 38

FOURIER TRANSFORM*

*discrete

signal at time t frequency complex number

=

Amplitude of the component with frequency k

slide-39
SLIDE 39

DATA

slide-40
SLIDE 40

DATA

slide-41
SLIDE 41

DATA

slide-42
SLIDE 42

DATA

Why not like this?

slide-43
SLIDE 43

DATA

slide-44
SLIDE 44

TIME-FREQUENCY DOMAIN

slide-45
SLIDE 45

DATA

Are we done?

slide-46
SLIDE 46

DATA

Are we done? Hint:

slide-47
SLIDE 47

DATA

300 MS

slide-48
SLIDE 48

DATA

300 MS

slide-49
SLIDE 49

DATA

300 MS

slide-50
SLIDE 50

DATA

300 MS

slide-51
SLIDE 51

DATA

300 MS

11 channels 50 frequencies on each 3 seconds of data 300 ms window

  • How many numbers to describe

1 reading of 300 ms?

slide-52
SLIDE 52

DATA

300 MS

11 channels 50 frequencies on each 3 seconds of data 300 ms window

  • How many numbers to describe

1 reading of 300 ms?

  • How many numbers to describe

all 3 seconds of data?

slide-53
SLIDE 53

DATASET

INSTANCES FEATURES CLASSES

. . .

slide-54
SLIDE 54

MACHINE LEARNING

slide-55
SLIDE 55

MACHINE LEARNING

?

slide-56
SLIDE 56

set of sample objects (samples) is called training set Machine Learning algorithm learns from examples,

MACHINE LEARNING

slide-57
SLIDE 57

Each object

  • can be described with a set of parameters

called features

MACHINE LEARNING

slide-58
SLIDE 58

Tail length : ...

f1

MACHINE LEARNING

slide-59
SLIDE 59

Furriness : ... Tail length : ...

f1

f2

MACHINE LEARNING

slide-60
SLIDE 60

Furriness : ... Tail length : ...

f1

f2

f = ( f1, f2)

Form a feature vector

MACHINE LEARNING

slide-61
SLIDE 61

Instance Feature 1 Feature 2 Class Cat 1 8 cm 546 h/cm M Cat 2 7.5 cm 363 h/cm M ... ... ... Cat N 11 cm 614 h/cm F Together feature vectors and corresponding classes form a dataset

MACHINE LEARNING

slide-62
SLIDE 62

Feature vectors live in a feature space

MACHINE LEARNING

slide-63
SLIDE 63

?

MACHINE LEARNING

Feature vectors live in a feature space

slide-64
SLIDE 64

MACHINE LEARNING

Feature vectors live in a feature space

slide-65
SLIDE 65

MACHINE LEARNING

Feature vectors live in a feature space

K-Nearest Neighbors

slide-66
SLIDE 66
  • Decision ¡trees ¡
  • C4.5 ¡
  • Random ¡forests ¡
  • Bayesian ¡networks ¡
  • Hidden ¡Markov ¡models ¡
  • Artificial ¡neural ¡network ¡
  • Data ¡clustering ¡
  • Expectation-­‑maximization ¡algorithm ¡
  • Self-­‑organizing ¡map ¡
  • Radial ¡basis ¡function ¡network ¡
  • Vector ¡Quantization ¡
  • Generative ¡topographic ¡map ¡
  • Information ¡bottleneck ¡method ¡
  • IBSEAD ¡
  • Apriori ¡algorithm ¡
  • Eclat ¡algorithm ¡
  • FP-­‑growth ¡algorithm ¡
  • Single-­‑linkage ¡clustering ¡
  • Conceptual ¡clustering ¡
  • K-­‑means ¡algorithm ¡
  • Fuzzy ¡clustering ¡
  • Temporal ¡difference ¡learning ¡
  • Q-­‑learning ¡
  • Learning ¡Automata ¡
  • Monte ¡Carlo ¡Method ¡
  • SARSA
  • AODE ¡
  • Artificial ¡neural ¡network ¡
  • Backpropagation ¡
  • Naive ¡Bayes ¡classifier ¡
  • Bayesian ¡network ¡
  • Bayesian ¡knowledge ¡base ¡
  • Case-­‑based ¡reasoning ¡
  • Decision ¡trees ¡
  • Inductive ¡logic ¡programming ¡
  • Gaussian ¡process ¡regression ¡
  • Gene ¡expression ¡programming ¡
  • Group ¡method ¡of ¡data ¡

handling ¡(GMDH) ¡

  • Learning ¡Automata ¡
  • Learning ¡Vector ¡Quantization ¡
  • Logistic ¡Model ¡Tree ¡
  • Decision ¡trees ¡
  • Decision ¡graphs ¡
  • Lazy ¡learning
  • Instance-­‑based ¡learning ¡
  • Nearest ¡Neighbor ¡Algorithm ¡
  • Analogical ¡modeling ¡
  • Probably ¡approximately ¡correct ¡

learning ¡(PAC) ¡

  • Symbolic ¡machine ¡learning ¡

algorithms ¡

  • Subsymbolic ¡machine ¡learning ¡

algorithms ¡

  • Support ¡vector ¡machines ¡
  • Random ¡Forests ¡
  • Ensembles ¡of ¡classifiers ¡
  • Bootstrap ¡aggregating ¡(bagging) ¡
  • Boosting ¡(meta-­‑algorithm) ¡
  • Ordinal ¡classification ¡
  • Regression ¡analysis ¡
  • Information ¡fuzzy ¡networks ¡(IFN) ¡
  • ANOVA ¡
  • Linear ¡classifiers ¡
  • Fisher's ¡linear ¡discriminant ¡
  • Logistic ¡regression ¡
  • Naive ¡Bayes ¡classifier ¡
  • Perceptron ¡
  • Support ¡vector ¡machines ¡
  • Quadratic ¡classifiers ¡
  • k-­‑nearest ¡neighbor ¡
  • Boosting

MACHINE LEARNING

slide-67
SLIDE 67

BRAIN-COMPUTER INTERFACE

slide-68
SLIDE 68

BRAIN-COMPUTER INTERFACE

slide-69
SLIDE 69

BRAIN-COMPUTER INTERFACE

slide-70
SLIDE 70

BRAIN-COMPUTER INTERFACE

slide-71
SLIDE 71

BRAIN-COMPUTER INTERFACE

slide-72
SLIDE 72

BRAIN-COMPUTER INTERFACE

slide-73
SLIDE 73

BRAIN-COMPUTER INTERFACE

slide-74
SLIDE 74

BRAIN-COMPUTER INTERFACE

slide-75
SLIDE 75

BRAIN-COMPUTER INTERFACE

slide-76
SLIDE 76

BRAIN-COMPUTER INTERFACE

slide-77
SLIDE 77

BRAIN-COMPUTER INTERFACE

?

slide-78
SLIDE 78

BRAIN-COMPUTER INTERFACE

?

slide-79
SLIDE 79
slide-80
SLIDE 80

THE END