Riassunto analitico
Negli ultimi anni la ricerca sull'utilizzo di un particolare "Event-Related Potential" (ERP), denominato "Error-related potentials" (ErrPs) nell'ambito dell' "Human-Robot Interaction" (HRI) ha guadagnato un crescente interesse per quanto riguarda lo sviluppo di protesi robotiche che potrebbero apprendere i desideri degli utenti e adattarsi ai requisiti specifici del tempo e questo grazie alla natura di questa risposta, insieme alla capacità di classificare le misurazioni EEG a prova singola. Da un'approfondita ricerca bibliografica si è evinto che l’ErrP viene utilizzato come segnale di feedback, proveniente dall’essere umano, per adattamenti guidati di sistemi robotici. Fondamentalmente si raccolgono le risposte ErrPs, da un osservatore umano, al riconoscimento di azioni robotiche errate al fine di adattare o migliorare il sistema robotico post-hoc o al volo. Questo con lo scopo di convalidare e migliorare i sistemi robotici e l'interazione uomo-robot (HRI). L'ErrP viene anche vista come funzione di ricompensa, proveniente dall'essere umano, che insieme all' "Inverse Reinforcement Learning" (IRL) può essere utilizzata per determinare quando e come aggiornare il controller del robot intelligente. Di conseguenza questo lavoro di tesi avrà come scopo quello di verificare tramite una serie di acquisizioni la presenza degli ErrPs osservabili nell'elettroencefalogramma (EEG), sia durante l'esecuzione di task in cui il robot esegue singole azioni, sia in task in cui si ha un comportamento robotico più complesso. La registrazione del segnale ERP è stata effettuata tramite un caschetto neurale dotato di 20 elettrodi su una scelta dei partecipanti con caratteristiche sufficientemente omogenee. Per quanto riguarda il progetto sperimentale sono stati implementati cinque task, tre semplici e due complessi. Il pre-processing dei dataset ottenuti dall'acquisizione dell'EEG è stato eseguito in Matlab R2023a, utilizzando la Toolbox EEGLAB 2023.0. Inoltre, grazie al fatto che l'ErrP ha un andamento standard, con dei picchi positivi e negativi situati in specifici istanti di tempo, può essere categorizzato con un classificatore online. In letteratura sono stati utilizzati vari classificatori, dalle reti neurali ai metodi di classificazione classici. In questo lavoro di tesi si è svolto anche un piccolo studio sui classificatori, andando ad utilizzare diversi classificatori, tra cui troviamo: LSTM, BAyes, sLDA, SVM, SVMrbf. Il primo è una rete neurale artificiale utilizzata nei campi dell'intelligenza artificiale e del deep learning, mentre gli ultimi sono metodi classici di apprendimento automatico. Attraverso dei codici scritti in Matlab, reperiti su GitHub e modificati in base alle esigenze del lavoro di tesi, è stato eseguito l'addestramento dei classificatori e successivamente il test ottenendo la precisione del classificatore che ci indica quanto è affidabile la sua classificazione. Di conseguenza è stato effettuato un confronto della precisione, con lo scopo di identificare il classificatore più adatto per la classificazione dell’ErrP. In particolare, la classificazione è stata effettuata su due dataset diversi (reperiti su GitHub): "HRI_cursor" e "HRI_robot". Il primo è stato ricavato utilizzando un task in cui si è utilizzato una "Brain-computer interface" (BCI), mentre per il secondo è stato utilizzato un robot.
|
