Інформаційно-екстремальне машинне навчання системи керування протезом кінцівки руки для розпізнавання електроміографічних біосигналів за розрідженою навчальною матрицею

Abstract

Розглядається задача машинного навчання системи керування протезом кисті руки з неінвазивною системою зчитування біосигналів. Задача розв’язується у рамках інформаційно-екстремальної інтелектуальної технології аналізу даних, яка базується на максимізації інформаційної спроможності системи у процесі її машинного навчання. Розроблений інформаційно-екстремальний метод машинного навчання системи керування протезом кінцівки руки на відміну від нейроподібних структур розроблено у рамках функціонального підходу до моделювання когнітивних процесів природного інтелекту при формуванні та прийнятті класифікаційних рішень. У результаті запропонований метод набуває властивості адаптивності до довільних умов формування навчальної матриці та гнучкості при перенавчанні системи через розширення алфавіту класів розпізнавання. Крім того, вирішальні правила, побудовані за отриманими у процесі інформаційно-екстремального машинного навчання оптимальними в інформаційному розумінні геометричними параметрами контейнерів класів розпізнавання, характеризуються високою оперативністю, що є важливим показником функціональної ефективності когнітивно керованого протезу. Відмінність розробленого методу від відомих методів інформаційно-екстремального машинного навчання полягає у застосуванні розрідженої навчальної матриці, що дозволяє суттєво зменшити ступінь перетину класів розпізнавання у просторі ознак. За результатами комп’ютерного моделювання доведено, що використання розрідженої навчальної матриці, отриманої за результатами оптимізації рівня квантування електроміографічних біосигналів для алфавіту трьох класів розпізнавання, дозволяє підвищити повну ймовірність правильного прийняття класифікаційних рішень майже у п’ять разів порівняно з нерозрідженою навчальною матрицею, що гарантує прийняття у робочому режимі високодостовірних класифікаційних рішень.

In the article is considered the problem of machine learning of the hand prosthesis control system with a non-invasive biosignal reading system The task is solved within the framework of information-extreme intelligent technology of data analysis, which is based on maximizing of the information capacity of the system in the process of its machine learning. The method was developed in contrast to neuro-like structures within the framework of a functional approach of modeling the cognitive processes of the natural intelligence to form and make classification decisions. As a result, the proposed method acquires the properties of adaptability to intersecting classes in the space of recognition features and flexibility when retraining the system through the expansion of the recognition class alphabet. In addition, the decisive rules, built according to the information-extreme machine learning optimal geometric parameters of the recognition class containers, are characterized by high efficiency, which is an important indicator of the functional efficiency of a cognitively controlled prosthesis. The difference between the developed method and the known methods of information-extreme machine learning is the use of a sparse learning matrix, which allows to significantly reduce the degree of intersection of recognition classes in the space of features. According to the results of computer simulations, it is proved that the use of a sparse learning matrix, obtained as a result of the optimization of the quantization level of electromyographic biosignals for the alphabet of three recognition classes, allows to increase the full probability of making correct classification decisions by almost five times in comparison with a non-sparse learning matrix, which guarantees the adoption of highly reliable classification decisions in the working mode.