Статья 3. Понятие оценочной деятельности / КонсультантПлюс
Статья 3. Понятие оценочной деятельности
Для целей настоящего Федерального закона под оценочной деятельностью понимается профессиональная деятельность субъектов оценочной деятельности, направленная на установление в отношении объектов оценки рыночной, кадастровой, ликвидационной, инвестиционной или иной предусмотренной федеральными стандартами оценки стоимости.
Для целей настоящего Федерального закона под рыночной стоимостью объекта оценки понимается наиболее вероятная цена, по которой данный объект оценки может быть отчужден на открытом рынке в условиях конкуренции, когда стороны сделки действуют разумно, располагая всей необходимой информацией, а на величине цены сделки не отражаются какие-либо чрезвычайные обстоятельства, то есть когда:
одна из сторон сделки не обязана отчуждать объект оценки, а другая сторона не обязана принимать исполнение;
стороны сделки хорошо осведомлены о предмете сделки и действуют в своих интересах;
объект оценки представлен на открытом рынке посредством публичной оферты, типичной для аналогичных объектов оценки;
(в ред. Федерального закона от 14.11.2002 N 143-ФЗ)
цена сделки представляет собой разумное вознаграждение за объект оценки и принуждения к совершению сделки в отношении сторон сделки с чьей-либо стороны не было;
платеж за объект оценки выражен в денежной форме.
Под кадастровой стоимостью понимается стоимость, установленная в результате проведения государственной кадастровой оценки или в результате рассмотрения споров о результатах определения кадастровой стоимости либо определенная в случаях, предусмотренных статьей 24.19 настоящего Федерального закона.
(часть третья в ред. Федерального закона от 21.07.2014 N 225-ФЗ)
Для целей настоящего Федерального закона под ликвидационной стоимостью понимается расчетная величина, отражающая наиболее вероятную цену, по которой данный объект оценки может быть отчужден за срок экспозиции объекта оценки, меньший типичного срока экспозиции объекта оценки для рыночных условий, в условиях, когда продавец вынужден совершить сделку по отчуждению имущества.
(часть четвертая введена Федеральным законом от 03.07.2016 N 360-ФЗ)
Для целей настоящего Федерального закона под инвестиционной стоимостью понимается стоимость объекта оценки для конкретного лица или группы лиц при установленных данным лицом (лицами) инвестиционных целях использования объекта оценки.
(часть пятая введена Федеральным законом от 03.07.2016 N 360-ФЗ)
Открыть полный текст документа
Статья 11. Общие требования к содержанию отчета об оценке объекта оценки / КонсультантПлюс
Статья 11. Общие требования к содержанию отчета об оценке объекта оценки
(в ред. Федерального закона от 21.07.2014 N 225-ФЗ)
Итоговым документом, составленным по результатам определения стоимости объекта оценки независимо от вида определенной стоимости, является отчет об оценке объекта оценки (далее также — отчет).
(в ред. Федерального закона от 03.07.2016 N 360-ФЗ)
Отчет составляется на бумажном носителе и (или) в форме электронного документа в соответствии с требованиями федеральных стандартов оценки, нормативных правовых актов уполномоченного федерального органа, осуществляющего функции по нормативно-правовому регулированию оценочной деятельности.
Отчет не должен допускать неоднозначное толкование или вводить в заблуждение. В отчете в обязательном порядке указываются дата проведения оценки объекта оценки, используемые стандарты оценки, цели и задачи проведения оценки объекта оценки, а также иные сведения, необходимые для полного и недвусмысленного толкования результатов проведения оценки объекта оценки, отраженных в отчете.
В отчете должны быть указаны:
дата составления и порядковый номер отчета;
основание для проведения оценщиком оценки объекта оценки;
сведения об оценщике или оценщиках, проводивших оценку, в том числе фамилия, имя и (при наличии) отчество, номер контактного телефона, почтовый адрес, адрес электронной почты оценщика и сведения о членстве оценщика в саморегулируемой организации оценщиков;
(в ред. Федерального закона от 03.07.2016 N 360-ФЗ)
сведения о независимости юридического лица, с которым оценщик заключил трудовой договор, и оценщика в соответствии с требованиями статьи 16 настоящего Федерального закона;
(абзац введен Федеральным законом от 03.07.2016 N 360-ФЗ)
цель оценки;
точное описание объекта оценки, а в отношении объекта оценки, принадлежащего юридическому лицу, — реквизиты юридического лица и при наличии балансовая стоимость данного объекта оценки;
(в ред. Федерального закона от 03.07.2016 N 360-ФЗ)
стандарты оценки для определения стоимости объекта оценки, перечень использованных при проведении оценки объекта оценки данных с указанием источников их получения, принятые при проведении оценки объекта оценки допущения;
(в ред. Федерального закона от 03.07.2016 N 360-ФЗ)
последовательность определения стоимости объекта оценки и ее итоговая величина, ограничения и пределы применения полученного результата;
дата определения стоимости объекта оценки;
перечень документов, используемых оценщиком и устанавливающих количественные и качественные характеристики объекта оценки.
Отчет также может содержать иные сведения, являющиеся, по мнению оценщика, существенно важными для полноты отражения примененного им метода расчета стоимости конкретного объекта оценки.
Для проведения оценки отдельных видов объектов оценки законодательством Российской Федерации могут быть предусмотрены специальные формы отчетов.
Отчет должен быть пронумерован постранично, прошит (за исключением случаев составления отчета в форме электронного документа), подписан оценщиком или оценщиками, которые провели оценку, а также скреплен личной печатью оценщика или оценщиков либо печатью юридического лица, с которым оценщик или оценщики заключили трудовой договор.
Отчет, составленный в форме электронного документа, должен быть подписан усиленной квалифицированной электронной подписью в соответствии с законодательством Российской Федерации.
В случаях, предусмотренных настоящим Федеральным законом, нормативными правовыми актами уполномоченного федерального органа, осуществляющего функции по нормативно-правовому регулированию оценочной деятельности, отчет подлежит опубликованию в порядке, установленном уполномоченным федеральным органом, осуществляющим функции по нормативно-правовому регулированию оценочной деятельности.
Открыть полный текст документа
Закон Об Оценочной Деятельности в РФ N 135-ФЗ
29 июля 1998 года N 135-ФЗ
РОССИЙСКАЯ ФЕДЕРАЦИЯ
ФЕДЕРАЛЬНЫЙ ЗАКОН
ОБ ОЦЕНОЧНОЙ ДЕЯТЕЛЬНОСТИ В РОССИЙСКОЙ ФЕДЕРАЦИИ
Принят
Государственной Думой
16 июля 1998 года
Одобрен
Советом Федерации
17 июля 1998 года
Статья 1. Законодательство, регулирующее оценочную деятельность в Российской Федерации
Статья 2. Отношения, регулируемые настоящим Федеральным законом
Статья 3. Понятие оценочной деятельности
Статья 4. Субъекты оценочной деятельности
Статья 5. Объекты оценки
Статья 6. Право Российской Федерации, субъектов Российской Федерации или муниципальных образований, физических лиц и юридических лиц на проведение оценки принадлежащих им объектов оценки
Статья 7. Предположение об установлении рыночной стоимости объекта оценки
Статья 8. Обязательность проведения оценки объектов оценки
Статья 8.1. Информационная открытость процедуры оценки
Статья 9. Основания для проведения оценки объекта оценки
Статья 10. Обязательные требования к договору на проведение оценки
Статья 11. Общие требования к содержанию отчета об оценке объекта оценки
Статья 12. Достоверность отчета как документа, содержащего сведения доказательственного значения
Статья 13. Оспоримость сведений, содержащихся в отчете
Статья 14. Права оценщика
Статья 15. Обязанности оценщика
Статья 15.1. Права и обязанности юридического лица, с которым оценщик заключил трудовой договор
Статья 15.2. Права и обязанности заказчика оценки
Статья 16. Независимость оценщика и юридического лица, с которым оценщик заключил трудовой договор
Статья 16.1. Утратила силу
Статья 16.2. Эксперт саморегулируемой организации оценщиков
Статья 17. Утратила силу
Статья 17.1. Экспертиза отчета
Статья 18. Регулирование оценочной деятельности и деятельности саморегулируемых организаций оценщиков
Статья 19. Функции уполномоченных федеральных органов
Статья 19.1. Совет по оценочной деятельности
Статья 20. Стандарты оценочной деятельности
Статья 20.1. Типовые правила профессиональной этики оценщиков и требования к рассмотрению саморегулируемой организацией оценщиков жалобы на нарушение ее членом требований настоящего Федерального закона, федеральных стандартов оценки, иных нормативных правовых актов Российской Федерации в области оценочной деятельности, стандартов и правил оценочной деятельности, правил деловой и профессиональной этики
Статья 21. Образование оценщиков
Статья 21.1. Квалификационный экзамен в области оценочной деятельности
Статья 21.2. Квалификационный аттестат
Статья 22. Саморегулируемая организация оценщиков
Статья 22.1. Функции саморегулируемой организации оценщиков
Статья 22.2. Основные права и обязанности саморегулируемой организации оценщиков
Статья 22.3. Раскрытие информации саморегулируемой организацией оценщиков
Статья 23. Порядок включения некоммерческой организации в единый государственный реестр саморегулируемых организаций оценщиков
Статья 24. Требования к членству в саморегулируемой организации оценщиков
Статья 24.1. Ведение саморегулируемой организацией оценщиков реестра членов саморегулируемой организации оценщиков
Статья 24.2. Органы саморегулируемой организации оценщиков
Статья 24.3. Порядок проведения саморегулируемой организацией оценщиков контроля за соблюдением членами саморегулируемой организации оценщиков требований настоящего Федерального закона, федеральных стандартов оценки, иных нормативных правовых актов Российской Федерации в области оценочной деятельности, стандартов и правил оценочной деятельности, правил деловой и профессиональной этики
Статья 24.4. Порядок применения мер дисциплинарного воздействия в отношении членов саморегулируемой организации оценщиков
Статья 24.5. Надзор за деятельностью саморегулируемых организаций оценщиков и ведение сводного реестра членов саморегулируемых организаций оценщиков
Статья 24.6. Обеспечение имущественной ответственности при осуществлении оценочной деятельности
Статья 24.7. Договор обязательного страхования ответственности оценщика при осуществлении оценочной деятельности
Статья 24.8. Компенсационный фонд саморегулируемой организации оценщиков
Статья 24.9. Условия и порядок размещения средств компенсационного фонда
Статья 24.10. Национальное объединение саморегулируемых организаций оценщиков и иные объединения саморегулируемых организаций оценщиков
Статья 24.11. Понятие государственной кадастровой оценки
Статья 24.12. Принятие решения о проведении государственной кадастровой оценки
Статья 24.13. Формирование перечня объектов недвижимости, подлежащих государственной кадастровой оценке
Статья 24.14. Отбор исполнителя работ и заключение с ним договора на проведение оценки
Статья 24.15. Определение кадастровой стоимости и составление отчета об определении кадастровой стоимости
Статья 24.16. Утратила силу
Статья 24.17. Утверждение результатов определения кадастровой стоимости
Статья 24.18. Рассмотрение споров о результатах определения кадастровой стоимости
Статья 24.19. Определение кадастровой стоимости вновь учтенных объектов недвижимости, ранее учтенных объектов недвижимости при включении сведений о них в Единый государственный реестр недвижимости и объектов недвижимости, в отношении которых произошло изменение их количественных и (или) качественных характеристик
Статья 24.20. Внесение результатов определения кадастровой стоимости в Единый государственный реестр недвижимости
Статья 24.21. Фонд данных государственной кадастровой оценки
Статья 25. Вступление в силу настоящего Федерального закона
Статья 26. Приведение нормативных правовых актов в соответствие с настоящим Федеральным законом
Федеральный закон РФ «Об оценочной деятельности в Российской Федерации» N 135-ФЗ (действующая редакция 2021)
Закон об оценочной деятельности в РФ № 135-ФЗ
Федеральный закон от 29.07.1998 N 135-ФЗ «Об оценочной деятельности в Российской Федерации» с последними изменениями, внесенными Федеральным законом от 02.07.2021 N 351-ФЗ, вступившими в силу с 02.07.2021 года (ред. 53).
Предисловие
Первоначальный текст Федерального закона № 135-ФЗ был опубликован в «Собрании законодательства РФ» 03.08.1998 (N 31), «Российской газете» 06.08.1998 года (N 148-149).
Оценочная деятельность — профессиональная деятельность субъектов оценочной деятельности, направленная на установление в отношении объектов оценки рыночной, кадастровой или иной стоимости (статья 3 закон № 135-ФЗ).
С момента введения закона об оценочной деятельности в действие, в него внесены десятки поправок, наиболее важными из которых являются следующие:
Членство в СРОО вместо лицензии
В 2006 году из числа оценщиков исключены юридические лица, оценщиком может быть физическое лицо.
Лицензирование оценочной деятельности в РФ прекращено с 1 июля 2006 года.
Вместо лицензирования для оценщиков введено обязательное членство в саморегулируемой организации оценщиков (СРОО).
Саморегулируемая организация оценщиков — некоммерческая организация, созданная в целях регулирования оценочной деятельности и контроля за деятельностью своих членов в части соблюдения ими требований настоящего Федерального закона, федеральных стандартов оценки, иных нормативных правовых актов РФ в области оценочной деятельности, стандартов и правил оценочной деятельности, правил деловой и профессиональной этики, включенная в единый государственный реестр саморегулируемых организаций оценщиков и объединяющая на условиях членства оценщиков (статья 22 закона № 135-ФЗ).
Закон об оценочной деятельности устанавливает порядок и критерии для включения некоммерческой организации в единый государственный реестр саморегулируемых организаций оценщиков, названы функции СРОО, указаны основные права и обязанности СРОО, приведен перечень оснований для отказа в принятии в члены саморегулируемой организации.
Кадастровая оценка объектов недвижимости
В 2010 году закон № 135-ФЗ дополнен главой III.1 «Государственная кадастровая оценка», содержащей положения о порядке проведения оценки кадастровой стоимости объектов недвижимости, утверждении ее результатов и оспаривании результатов определения кадастровой стоимости.
Разъяснения по вопросам, возникающим у судов при рассмотрении дел об оспаривании результатов определения кадастровой стоимости см. в Постановлении Пленума Верховного Суда РФ от 30.06.2015 N 28 «О некоторых вопросах, возникающих при рассмотрении судами дел об оспаривании результатов определения кадастровой стоимости объектов недвижимости»
29 июля 1998 года
N 135-ФЗ
РОССИЙСКАЯ ФЕДЕРАЦИЯ
ФЕДЕРАЛЬНЫЙ ЗАКОН
ОБ ОЦЕНОЧНОЙ ДЕЯТЕЛЬНОСТИ В РОССИЙСКОЙ ФЕДЕРАЦИИ
Принят
Государственной Думой
16 июля 1998 года
Одобрен
Советом Федерации
17 июля 1998 года
Глава I. Общие положения
Статья 1. Законодательство, регулирующее оценочную деятельность в Российской Федерации
Статья 2. Отношения, регулируемые настоящим Федеральным законом
Статья 3. Понятие оценочной деятельности
Статья 4. Субъекты оценочной деятельности
Статья 5. Объекты оценки
Статья 6. Право Российской Федерации, субъектов Российской Федерации или муниципальных образований, физических лиц и юридических лиц на проведение оценки принадлежащих им объектов оценки
Статья 7. Предположение об установлении рыночной стоимости объекта оценки
Статья 8. Обязательность проведения оценки объектов оценки
Статья 8.1. Информационная открытость процедуры оценки
Глава II. Основания для осуществления оценочной деятельности
и условия ее осуществления
Статья 9. Основания для проведения оценки объекта оценки
Статья 10. Обязательные требования к договору на проведение оценки
Статья 11. Общие требования к содержанию отчета об оценке объекта оценки
Статья 12. Достоверность отчета как документа, содержащего сведения доказательственного значения
Статья 13. Оспоримость сведений, содержащихся в отчете
Статья 14. Права оценщика
Статья 15. Обязанности оценщика
Статья 15.1. Права и обязанности юридического лица, с которым оценщик заключил трудовой договор
Статья 15.2. Права и обязанности заказчика оценки
Статья 16. Независимость оценщика и юридического лица, с которым оценщик заключил трудовой договор
Статья 16.1. Утратила силу
Статья 16.2. Эксперт саморегулируемой организации оценщиков
Статья 17. Утратила силу
Статья 17.1. Экспертиза отчета
Глава III. Регулирование оценочной деятельности
Статья 18. Регулирование оценочной деятельности и деятельности саморегулируемых организаций оценщиков
Статья 19. Функции уполномоченных федеральных органов
Статья 19.1. Совет по оценочной деятельности
Статья 20. Стандарты оценочной деятельности
Статья 20.1. Типовые правила профессиональной этики оценщиков и требования к рассмотрению саморегулируемой организацией оценщиков жалобы на нарушение ее членом требований настоящего Федерального закона, федеральных стандартов оценки, иных нормативных правовых актов Российской Федерации в области оценочной деятельности, стандартов и правил оценочной деятельности, правил деловой и профессиональной этики
Статья 21. Образование оценщиков
Статья 21.1. Квалификационный экзамен в области оценочной деятельности
Статья 21.2. Квалификационный аттестат
Статья 22. Саморегулируемая организация оценщиков
Статья 22.1. Функции саморегулируемой организации оценщиков
Статья 22.2. Основные права и обязанности саморегулируемой организации оценщиков
Статья 22.3. Раскрытие информации саморегулируемой организацией оценщиков
Статья 23. Порядок включения некоммерческой организации в единый государственный реестр саморегулируемых организаций оценщиков
Статья 24. Требования к членству в саморегулируемой организации оценщиков
Статья 24.1. Ведение саморегулируемой организацией оценщиков реестра членов саморегулируемой организации оценщиков
Статья 24.2. Органы саморегулируемой организации оценщиков
Статья 24.3. Порядок проведения саморегулируемой организацией оценщиков контроля за соблюдением членами саморегулируемой организации оценщиков требований настоящего Федерального закона, федеральных стандартов оценки, иных нормативных правовых актов Российской Федерации в области оценочной деятельности, стандартов и правил оценочной деятельности, правил деловой и профессиональной этики
Статья 24.4. Порядок применения мер дисциплинарного воздействия в отношении членов саморегулируемой организации оценщиков
Статья 24.5. Надзор за деятельностью саморегулируемых организаций оценщиков и ведение сводного реестра членов саморегулируемых организаций оценщиков
Статья 24.6. Обеспечение имущественной ответственности при осуществлении оценочной деятельности
Статья 24.7. Договор обязательного страхования ответственности оценщика при осуществлении оценочной деятельности
Статья 24.8. Компенсационный фонд саморегулируемой организации оценщиков
Статья 24.9. Условия и порядок размещения средств компенсационного фонда
Статья 24.10. Национальное объединение саморегулируемых организаций оценщиков и иные объединения саморегулируемых организаций оценщиков
Глава III.1. Государственная кадастровая оценка
Статья 24.11. Понятие государственной кадастровой оценки
Статья 24.12. Принятие решения о проведении государственной кадастровой оценки
Статья 24.13. Формирование перечня объектов недвижимости, подлежащих государственной кадастровой оценке
Статья 24.14. Отбор исполнителя работ и заключение с ним договора на проведение оценки
Статья 24.15. Определение кадастровой стоимости и составление отчета об определении кадастровой стоимости
Статья 24.16. Экспертиза отчета об определении кадастровой стоимости — утратила силу
Статья 24.17. Утверждение результатов определения кадастровой стоимости
Статья 24.18. Рассмотрение споров о результатах определения кадастровой стоимости
Статья 24.19. Определение кадастровой стоимости вновь учтенных объектов недвижимости, ранее учтенных объектов недвижимости при включении сведений о них в Единый государственный реестр недвижимости и объектов недвижимости, в отношении которых произошло изменение их количественных и (или) качественных характеристик
Статья 24.20. Внесение результатов определения кадастровой стоимости в Единый государственный реестр недвижимости
Статья 24.21. Фонд данных государственной кадастровой оценки
Глава IV. Заключительные положения
Статья 25. Вступление в силу настоящего Федерального закона
Статья 26. Приведение нормативных правовых актов в соответствие с настоящим Федеральным законом
Президент
Российской Федерации
Б.ЕЛЬЦИН
Москва, Кремль
29 июля 1998 года
N 135-ФЗ
Минэкономразвития России готовит очередные изменения в Закон об оценке
I. 08 мая 2019 г. началось публичное обсуждение проекта закона «О внесении изменений в Федеральный закон от 29 июля 1998 г. № 135-ФЗ «Об оценочной деятельности в Российской Федерации». Эти изменения стали результатом заседания Совета по оценочной деятельности в Минэкономразвития от 15 апреля 2019 г., на котором была представлена Концепция развития оценочной деятельности, проект положений об апелляционном рабочем органе Совета.
Публичное обсуждение продлится до 23 мая 2019 г. Планируемый срок вступления изменений в силу намечен на апрель 2020 г.
Согласно обоснованию Минэкономразвития России необходимости подготовки проекта НПА, разработка проекта федерального закона обусловлена необходимостью повышения уровня обеспечения защиты прав и законных интересов заказчиков и потребителей оценочных услуг и услуг в области экспертизы отчетов об оценке.
Также регулятор отметил, что действующие нормы законодательства в области оценочной деятельности не в полной мере обеспечивают защиту прав и законных интересов заказчиков и потребителей оценочных услуг и услуг в области экспертизы отчетов об оценке, в том числе в части требований:
- к имущественной ответственности оценщиков и экспертов СРО оценщиков,
- к оценочным компаниям, предоставляющим услуги по оценке имущества, в том числе для государственных нужд;
- информационной открытости в области оценочной деятельности.
Основные направления изменений:
1) основное место работы в юридическом лице:
Статьей 15.1 Федерального закона от 29 июля 1998 г. № 135-ФЗ «Об оценочной деятельности в Российской Федерации» (далее – Закон № 135-ФЗ) установлены обязанности юридического лица, с которым оценщик заключил трудовой договор (оценочной компании), одной из которых является соблюдение требования о наличии в штате не менее двух оценщиков, право осуществления оценочной деятельности которых не приостановлено. При этом законодательством не определено, что данное юридическое лицо для таких оценщиков должно быть основным местом работы, что в свою очередь может вводить в заблуждение заказчиков оценки, ориентирующихся при выборе оценочной компании, в том числе на количество работающих в ней специалистов.
2) реестр «недобросовестных» оценщиков:
Кроме того, действующим законодательством не предусмотрено требований к оценочным компаниям, оказывающих услуги по оценке имущества для государственных и муниципальных нужд. Вместе с тем статьей 8 Закона № 135-ФЗ определено, что проведение оценки объектов оценки в ряде случаев является обязательным при вовлечении в сделку объектов оценки, принадлежащих полностью или частично Российской Федерации, субъектам Российской Федерации либо муниципальным образованиям. При этом при проведении оценки для государственных и муниципальных нужд необходимо обеспечение прозрачности процедуры выбора поставщиков услуг в области оценки имущества, требования к которым должны обеспечивать возможность отбора заказчиком поставщиков с высоким уровнем квалификации, надлежащим опытом работы их специалистов, деловой репутации таких специалистов и самих оценочных компаний. Кроме того, для обеспечения прав заказчиков оценки и потребителей оценочных услуг необходимо развитие информационной открытости, в том числе в части получения информации о поставщиках услуг по оценке и экспертизе отчетов об оценке, предоставляющих услуги ненадлежащего качества. Права и обязанности заказчика оценки определены в статье 15.2 Закона № 135-ФЗ.
3) «усиление» ответственности за некачественное оказание услуг:
Статьей 24.6 Закона № 135-ФЗ предусмотрено, что убытки, причиненные заказчику, заключившему договор на проведение оценки, или имущественный вред, причиненный третьим лицам вследствие использования итоговой величины рыночной или иной стоимости объекта оценки, указанной в отчете, подписанном оценщиком или оценщиками, подлежат возмещению в полном объеме за счет имущества оценщика или оценщиков, причинивших своими действиями (бездействием) убытки или имущественный вред при осуществлении оценочной деятельности, или за счет имущества юридического лица, с которым оценщик заключил трудовой договор. Саморегулируемая организация оценщиков, экспертом или экспертами которой подготовлено и утверждено в порядке, установленном внутренними документами саморегулируемой организации оценщиков, положительное экспертное заключение, несет солидарную ответственность за убытки, причиненные заказчику, заключившему договор на проведение оценки, или имущественный вред, причиненный третьим лицам действиями (бездействием) оценщика или оценщиков вследствие установленного судом, арбитражным судом в соответствии с установленной подведомственностью, третейским судом нарушения требований федеральных стандартов оценки, стандартов и правил оценочной деятельности. При этом анализ правоприменительной практики, в том числе судебной, показал недостаточную эффективность норм законодательства в части имущественной ответственности оценщиков и экспертов саморегулируемой организации оценщиков. Вместе с тем для обеспечения прав и законных интересов заказчиков оценки необходимы эффективно работающие механизмы обеспечения имущественной ответственности, в том числе возмещение убытков или имущественного вреда, а также возврат платы за некачественно оказанную услугу. Указанное окажет позитивное влияние на защиту прав заказчиков оценки и потребителей оценочных услуг, повышение ответственности оценщиков, саморегулируемых организаций оценщиков и экспертов саморегулируемых организаций оценщиков, что в свою очередь положительно повлияет на качество оказываемых услуг.
II. 15 апреля 2019 г. в Минэкономразвития г. состоялось заседание Совета по оценочной деятельности, на котором была представлена Концепция развития оценочной деятельности, а также проект положений об апелляционном рабочем органе Совета. В профильной группе Ассоциации в fаcebook развернулась горячая дискуссия касаемо предлагаемых поправок в 135-ФЗ.
Иллюстраия наиболее значимых изменений в Закон об оценке
Материалы по теме
- проект 02/04/05-19/00091217 «О внесении изменений в Федеральный закон от 29 июля 1998 г. № 135-ФЗ «Об оценочной деятельности в Российской Федерации»»;
- новость «В Минэкономразвития России состоялось Заседание совета по оценочной деятельности»;
- обсуждение результатов заседания Совета по оценочной деятельности в Минэкономразвития 15 апреля 2019 г. в профильной группе fаcebook.
Статья 15. Обязанности оценщика ФЕДЕРАЛЬНЫЙ ЗАКОН от 29-07-98 135-ФЗ ОБ ОЦЕНОЧНОЙ ДЕЯТЕЛЬНОСТИ В РОССИЙСКОЙ ФЕДЕРАЦИИ
не действует Редакция от 16.07.1998 Подробная информация| Наименование документ | ФЕДЕРАЛЬНЫЙ ЗАКОН от 29.07.98 N 135-ФЗ «ОБ ОЦЕНОЧНОЙ ДЕЯТЕЛЬНОСТИ В РОССИЙСКОЙ ФЕДЕРАЦИИ» |
| Вид документа | закон |
| Принявший орган | президент рф, гд рф, сф рф |
| Номер документа | 135-ФЗ |
| Дата принятия | 06.08.1998 |
| Дата редакции | 16.07.1998 |
| Дата регистрации в Минюсте | 01.01.1970 |
| Статус | не действует |
| Публикация |
|
| Навигатор | Примечания |
Статья 15. Обязанности оценщика
Оценщик обязан:
соблюдать при осуществлении оценочной деятельности требования настоящего Федерального закона, а также принятых на его основе нормативных правовых актов Российской Федерации и нормативных правовых актов субъектов Российской Федерации;
сообщать заказчику о невозможности своего участия в проведении оценки объекта оценки вследствие возникновения обстоятельств, препятствующих проведению объективной оценки объекта оценки;
обеспечивать сохранность документов, получаемых от заказчика и третьих лиц в ходе проведения оценки объекта оценки;
предоставлять заказчику информацию о требованиях законодательства Российской Федерации об оценочной деятельности, об уставе и о кодексе этики соответствующей саморегулируемой организации (профессионального общественного объединения оценщиков или некоммерческой организации оценщиков), на членство в которой ссылается оценщик в своем отчете;
предоставлять по требованию заказчика документ об образовании, подтверждающий получение профессиональных знаний в области оценочной деятельности;
не разглашать конфиденциальную информацию, полученную от заказчика в ходе проведения оценки объекта оценки, за исключением случаев, предусмотренных законодательством Российской Федерации;
хранить копии составленных отчетов в течение трех лет;
в случаях, предусмотренных законодательством Российской Федерации, предоставлять копии хранящихся отчетов или информацию из них правоохранительным, судебным, иным уполномоченным государственным органам либо органам местного самоуправления по их законному требованию.
ФЗ Об Оценочной Деятельности Федеральный Закон Об Оценочной Деятельности ФЗ 135 от 29.07.1998
Скачать бесплатно Федеральный Закон Об Оценочной Деятельности ФЗ 135 от 29.07.1998Федеральный Закон Об Оценочной Деятельности ФЗ 135 от 29.07.1998 Содержание
- Статья 1. Законодательство, регулирующее оценочную деятельность в Российской Федерации
- Статья 2. Отношения, регулируемые настоящим Федеральным законом
- Статья 3. Понятие оценочной деятельности
- Статья 4. Субъекты оценочной деятельности
- Статья 5. Объекты оценки
- Статья 6. Право Российской Федерации, субъектов Российской Федерации или муниципальных образований, физических лиц и юридических лиц на проведение оценки принадлежащих им объектов оценки
- Статья 7. Предположение об установлении рыночной стоимости объекта оценки
- Статья 8. Обязательность проведения оценки объектов оценки
- Статья 9. Основания для проведения оценки объекта оценки
- Статья 10. Обязательные требования к договору на проведение оценки
- Статья 11. Общие требования к содержанию отчета об оценке объекта оценки
- Статья 12. Достоверность отчета как документа, содержащего сведения доказательственного значения
- Статья 13. Оспоримость сведений, содержащихся в отчете
- Статья 14. Права оценщика
- Статья 15. Обязанности оценщика
- Статья 15-1. Обязанности юридического лица, с которым оценщик заключил трудовой договор
- Статья 16. Независимость оценщика и юридического лица, с которым оценщик заключил трудовой договор
- Статья 16-1. Утратила силу
- Статья 16-2. Эксперт саморегулируемой организации оценщиков
- Статья 17. Утратила силу
- Статья 17-1. Экспертиза отчета
- Статья 18. Регулирование оценочной деятельности и деятельности саморегулируемых организаций оценщиков
- Статья 19. Функции уполномоченных федеральных органов
- Статья 20. Стандарты оценочной деятельности
- Статья 21. Профессиональное обучение оценщиков
- Статья 21-1. Единый квалификационный экзамен
- Статья 21-2. Квалификационный аттестат
- Статья 22. Саморегулируемая организация оценщиков
- Статья 22-1. Функции саморегулируемой организации оценщиков
- Статья 22-2. Основные права и обязанности саморегулируемой организации оценщиков
- Статья 22-3. Раскрытие информации саморегулируемой организацией оценщиков
- Статья 23. Порядок включения некоммерческой организации в единый государственный реестр саморегулируемых организаций оценщиков
- Статья 24. Требования к членству в саморегулируемой организации оценщиков
- Статья 24-1. Ведение саморегулируемой организацией оценщиков реестра членов саморегулируемой организации оценщиков
- Статья 24-2. Органы саморегулируемой организации оценщиков
- Статья 24-3. Порядок проведения саморегулируемой организацией оценщиков контроля за осуществлением оценочной деятельности
- Статья 24-4. Порядок применения дисциплинарных взысканий в отношении членов саморегулируемой организации оценщиков
- Статья 24-5. Надзор за деятельностью саморегулируемых организаций оценщиков
- Статья 24-6. Обеспечение имущественной ответственности при осуществлении оценочной деятельности
- Статья 24-7. Договор обязательного страхования ответственности оценщика при осуществлении оценочной деятельности
- Статья 24-8. Компенсационный фонд саморегулируемой организации оценщиков
- Статья 24-9. Условия и порядок размещения средств компенсационного фонда
- Статья 24-10. Национальный совет по оценочной деятельности и иные объединения саморегулируемых организаций оценщиков
- Статья 24-11. Понятие государственной кадастровой оценки
- Статья 24-12. Принятие решения о проведении государственной кадастровой оценки
- Статья 24-13. Формирование перечня объектов недвижимости, подлежащих государственной кадастровой оценке
- Статья 24-14. Заключение договора страхования ответственности за причинение ущерба в результате осуществления деятельности по определению кадастровой стоимости
- Статья 24-15. Определение кадастровой стоимости и составление отчета об определении кадастровой стоимости
- Статья 24-16. Экспертиза отчета об определении кадастровой стоимости
- Статья 24-17. Утверждение результатов определения кадастровой стоимости
- Статья 24-18. Опубликование утвержденных результатов определения кадастровой стоимости
- Статья 24-19. Рассмотрение споров о результатах определения кадастровой стоимости
- Статья 24-20. Внесение результатов определения кадастровой стоимости в государственный кадастр недвижимости
- Статья 24-21. Определение кадастровой стоимости вновь учтенных объектов недвижимости и объектов недвижимости, в отношении которых произошло изменение их количественных и (или) качественных характеристик
- Статья 24-22. Фонд данных государственной кадастровой оценки
- Статья 25. Вступление в силу настоящего Федерального закона
- Статья 26. Приведение нормативных правовых актов в соответствие с настоящим Федеральным законом
Другие нормативные акты
ФЗ О Фонде содействия реформированию жилищно-коммунального хозяйства ФЗ Об актах гражданского состояния ФЗ О государственных и муниципальных унитарных предприятиях ФЗ О концессионных соглашениях ФЗ О Кредитных ИсторияхДобавить комментарий к ФЗ Об Оценочной Деятельности ФЗ 135 от 29.07.1998
Экспертиза оружия позволяет совершать сделки купли-продажи, место завещания
При оценке холодного или огнестрельного оружия специалисты Real Expert руководствуются требованиями Гражданского законодательства, положениями Федерального закона № 150-ФЗ «Об оружии». Критерии оценки и требования к составлению отчета об оценке оружия регулируются Федеральным законом № 135-ФЗ «Об оценочной деятельности в Российской Федерации», Федеральными стандартами оценки, стандартами и правилами СРО «СМАО», а также нормативными актами. соответствующих государственных органов.
Результаты оценки документируются в отчете об оценке оружия, в котором указываются: цели оценки, стоимость оружия, методология и обоснование его расчета, анализ факторов ценообразования и другая информация, важная для подготовки всеобъемлющей отчет.
Акт экспертизы оружия является официальным документом и имеет достаточную юридическую и доказательную силу для представления в государственные, судебные и налоговые органы Российской Федерации.
У наших оценщиков индивидуальный подход к каждой оценке, их обширный профессиональный опыт, глубокое знание методов расчета и нормативно-правовой базы, которые позволяют нам действовать в лучших интересах клиентов и проводить качественную оценку оружия, и указать достоверную информацию в Отчете в соответствии с законодательством об оценочной деятельности и торговле оружием.
Наши аккредитацииНаши преимущества
Отзывчивость
Ваш объект может быть осмотрен специалистом в день подачи заявки
Точность
Специализированное программное обеспечение обеспечивает точность расчетов
Ответственность
Ответственность компании и индивидуальная ответственность наших оценщиков застрахована надлежащим образом
Свидетельство оценочных проверок на основе эмоций в электроэнцефалографии и лицевой электромиографии
PLoS One.2018; 13 (1): e0189367.
, Концептуализация, курирование данных, формальный анализ, расследование, методология, администрирование проекта, программное обеспечение, надзор, проверка, визуализация, написание — первоначальный черновик, написание — просмотр и редактирование, 1, 2, * , курирование данных , Исследование, Написание — первоначальный проект, Написание — просмотр и редактирование, # 3 , Курирование данных, Исследование, Написание — первоначальный черновик, Написание — просмотр и редактирование, # 4 , Концептуализация, Получение финансирования, 3 и, Концептуализация, Привлечение финансирования 2, 5Эдуардо Коутиньо
1 Департамент музыки Ливерпульского университета, Ливерпуль, Великобритания,
2 Департамент вычислительной техники, Имперский колледж Лондона, Лондон, Соединенное Королевство,
Корнелия Генч
3 Швейцарский центр аффективных наук, Женевский университет, Женева, Швейцария,
Якобиен ван Пеер
4 Институт поведенческих наук, Университет Радбауд, Неймеген, Неймеген, Нидерланды,
Клаус Р.Шерер
3 Швейцарский центр аффективных наук, Женевский университет, Женева, Швейцария,
Бьорн В. Шуллер
2 Департамент вычислительной техники, Имперский колледж Лондона, Лондон, Соединенное Королевство,
5 Кафедра сложных и интеллектуальных систем, Университет Пассау, Пассау, Германия,
Гаэтано Валенца, редактор
1 Департамент музыки Ливерпульского университета, Ливерпуль, Великобритания,
2 Департамент вычислительной техники, Имперский колледж Лондона, Лондон, Соединенное Королевство,
3 Швейцарский центр аффективных наук, Женевский университет, Женева, Швейцария,
4 Институт поведенческих наук, Университет Радбауд, Неймеген, Неймеген, Нидерланды,
5 Кафедра сложных и интеллектуальных систем, Университет Пассау, Пассау, Германия,
Universita degli Studi di Pisa, ИТАЛИЯ,
# Распространяется поровну.
Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.
Поступило 28.09.2016; Принята в 2017 г. 23 ноября.
Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.Abstract
В настоящем исследовании мы применили методы машинного обучения (ML) для определения психобиологических маркеров когнитивных процессов, вовлеченных в процесс выявления эмоций, как это постулируется моделью компонентного процесса (CPM).В частности, мы сосредоточились на автоматическом обнаружении пяти оценочных проверок — новизны, внутренней приятности, достижения цели, контроля и мощности — в сигналах электроэнцефалографии (ЭЭГ) и электромиографии лица (ЭМГ). Мы также оценили влияние на точность классификации усреднения необработанных физиологических сигналов по разному количеству испытаний, а также достаточность использования минимальных наборов каналов ЭЭГ, локализованных в определенных интересующих областях кожи головы, для различения оценочных проверок.Мы продемонстрировали эффективность нашего подхода на двух наборах данных, полученных из предыдущих исследований. Наши результаты показывают, что проверки новизны и оценки мощности могут быть последовательно обнаружены в сигналах ЭЭГ выше случайного уровня (бинарные задачи). Что касается новизны, наилучшая эффективность классификации с точки зрения точности была достигнута с использованием признаков, извлеченных из всей кожи головы, и путем усреднения по 20 отдельным испытаниям в одних и тех же экспериментальных условиях ( UAR = 83,5 ± 4,2; N = 25).Что касается мощности, лучшая производительность была получена при использовании сигналов из четырех предварительно выбранных каналов ЭЭГ, усредненных по всем испытаниям, доступным для каждого участника ( UAR = 70,6 ± 5,3; N = 24). В совокупности наши результаты показывают, что точная классификация может быть достигнута с относительно небольшим количеством испытаний и каналов, но что усреднение по большему количеству отдельных испытаний полезно для классификации для обеих оценочных проверок. Мы не смогли обнаружить никаких доказательств изучаемых оценочных проверок в данных ЭМГ.Предлагаемая методология является многообещающим инструментом для изучения психофизиологических механизмов, лежащих в основе эмоциональных эпизодов, и их применения для разработки компьютеризированных инструментов (например, интерфейса мозг-компьютер) для изучения когнитивных процессов, связанных с эмоциями.
Введение
Исследования в области аффективных наук направлены на понимание механизмов, управляющих человеческими эмоциями (и связанных с ними процессов). Хотя определение эмоции, с которым согласились бы все исследователи эмоций, отсутствует (см.g., [1–3]), эмоции обычно можно описать как реакцию на события, которые важны для человека, и обычно включают познания, тенденции к действию, телесные реакции, выражения и субъективные чувства (см., например, [1, 3, 4]). Известным набором теорий в этой области, которые пытаются объяснить причины и вариации эмоций, являются так называемые «оценочные» теории. Теоретики оценки считают оценку событий (аттестацию) основным механизмом выявления и дифференциации эмоций.Они концептуализируют эмоции как возникающий динамический процесс, инициируемый субъективной оценкой событий человеком (см. [5–8]).
Оценка относится к когнитивным механизмам, которые быстро оценивают личное воздействие вызывающих эмоции объектов, событий или ситуаций. Несколько критериев оценки (например, новизна, приятность, соответствие цели и потенциал преодоления) действуют для оценки воздействия события на человека (например, [8]). Уникальное сочетание результатов для различных критериев оценки определяет тип и интенсивность вызванных эмоций.Этот результат, в свою очередь, будет управлять серией (скоординированных) реакций в так называемых эмоциональных компонентах, таких как мотивация (например, приближение или избегание), телесные реакции (например, сердечно-сосудистые изменения), выражение (мимика, голос и жест), и субъективные чувства (сознательное переживание эмоции) (см. обзор в [5]). Роль оценочных процессов в выявлении и дифференциации эмоциональных эпизодов была включена в основные теоретические подходы к эмоциям (включая современные работы, основанные на основных эмоциях и конструктивистских традициях, см. E.г., [9, 10]; также см. обзор в [3]). Однако в данной работе мы сосредоточены на моделях оценки, поскольку они делают наиболее конкретные прогнозы относительно этих когнитивных механизмов.
Модель компонентного процесса (CPM)
Известная модель оценки эмоции, которая предлагает структуру, представляющую и операционализирующую компоненты и функции эмоции как механизм психобиологической и культурной адаптации, — это модель CPM ([5]). CPM описывает функциональную архитектуру процесса оценки.В частности, несколько основных так называемых проверок оценки стимула (SEC), каждая из которых оценивает конкретную информацию, касающуюся вызывающего эмоцию события, оценивают общую значимость события в фиксированной последовательности (см.). Сначала оценивается актуальность мероприятия для человека. Во-вторых, предполагаются последствия или последствия события и то, как они влияют на благополучие людей. Затем оценка потенциала совладания позволяет оценить, насколько хорошо человек может справиться с этими последствиями или приспособиться к ним.Наконец, оценивается нормативная значимость события для человека (то есть влияние события на самооценку, усвоенные социальные нормы и ценности). В каждый момент люди быстро оценивают события на основе этих основных оценочных проверок. Важно отметить, что каждая серьезная аттестационная проверка определяет ряд конкретных второстепенных критериев аттестации. Например, подчиненными критериями оценки для обнаружения релевантности являются новизна , внутренняя приятность (или валентность ) и релевантность цели ; для оценки последствий причинная атрибуция , вероятность исхода , отклонение от ожидания , достижение цели и срочность ; для определения потенциала преодоления управления , мощности и регулировки .Эти оценочные проверки обрабатываются последовательно и рекурсивно, и их результаты кумулятивно интегрируются в конкретный паттерн эмоциональной реакции, который представлен централизованно и часто достигает сознания. Другими словами, профиль последовательности оценочных проверок предлагает уникальную информацию о качестве и интенсивности эмоционального состояния отдельного человека. Более того, CPM считает, что результат каждой (подчиненной) аттестационной проверки запускает каскад эфферентных эффектов на вегетативную нервную систему (например,g., сердечно-сосудистые и респираторные изменения) и соматической нервной системы (вызывающие изменения мышечной активности, которые проявляются в эмоциональных выражениях лица, голоса и тела).
Модель компонентного процесса.Модель компонентного процесса (CPM, например, [5]) описывает функциональную архитектуру процесса оценки. Несколько проверок оценки (каждая оценивает конкретную информацию о событии) оценивают в фиксированной последовательности общую значимость события по четырем основным параметрам. уровни: актуальность события для личности; последствия или последствия события; потенциал совладания насколько хорошо человек может справиться с этими последствиями или приспособиться к ним; и нормативное значение события.
Анализ активности мозга и лицевых мышц
Хотя теории эмоций предлагают очень подробные объяснения процессов оценки, они, как правило, феноменологические, и о реальных биологических субстратах, поддерживающих их, известно очень мало. Исследования, направленные на лучшее понимание когнитивных и психобиологических процессов, лежащих в основе возникновения и выражения эмоций, часто включают изучение паттернов мозговой активности (электроэнцефалография; ЭЭГ) и активности лицевых мышц (электромиография лица; ЭМГ лица) (обзор методов см. В [11]. обычно используется для измерения эмоций).Такие данные позволяют продвигать систематическое тестирование теорий эмоций и разрабатывать сложные инструменты для оценки (отклонений) эмоциональной обработки. В последнее время такие методы также использовались для получения эмпирических данных о CPM (см. [12] для обзора).
Однако анализ данных ЭЭГ и ЭМГ лица ставит ряд важных методологических проблем: помимо проблем, связанных с высокой размерностью (т. Е. Большим количеством сигналов), оба типа сигналов характеризуются нестационарностью, низким уровнем сигнала. отношения шума к шуму (SNR), а также большая вариативность от испытания к испытанию и от участника к участнику.В качестве средства решения этих проблем физиологического анализа данных традиционные стратегии нейробиологического анализа основаны на методах усреднения (т. Е. Вычислении общего среднего по испытаниям экспериментальных условий) для устранения случайного шума и повышения различимости сигнала (т. Е. ОСШ). . Этот подход является дорогостоящим и требует много времени, поскольку он часто требует нескольких часов записи (например, необходимо минимальное количество пробных повторений, чтобы в достаточной степени уменьшить шум за счет усреднения).Это может повлиять на исследуемые процессы, например, из-за привыкания, утомления или обучения. Более того, обширные записи ЭЭГ и ЭМГ лица не всегда возможны, особенно в случае определенных групп населения (например, младенцев, детей или пациентов с психическими или неврологическими состояниями). Таким образом, задача состоит в том, чтобы создать новые стратегии анализа, которые позволят надежную идентификацию на основе данных и различение релевантной информации в сигналах ЭЭГ и ЭМГ на основе ограниченного числа испытаний.
В этом контексте многообещающими являются методы машинного обучения (ML). Машинное обучение — это подраздел компьютерных наук, ориентированный на изучение и создание алгоритмов, которые могут учиться и делать прогнозы на основе данных [13], а также позволяют компьютерам учиться без явного программирования [14]. Используя методы машинного обучения, компьютеры обучаются путем поиска определенных закономерностей в данных. Это помогает им справляться с проблемами центральных и периферических физиологических сигналов, не требуя априорных решений относительно анализа записей ЭЭГ и ЭМГ.
Обзор этой статьи
В этой статье мы описываем применение ML для обнаружения паттернов сигналов ЭЭГ и ЭМГ лица, связанных с обработкой оценочных проверок. В то время как методы машинного обучения применялись для распознавания состояний пользователя (включая аффективные состояния) по сигналам ЭЭГ [15] и ЭМГ [16], это первый раз, когда ML используется для выявления свидетельств мелкозернистой информации об эмоциональных процессах. .
Используя два набора данных из предыдущих исследований [17, 18], разработанных для изучения прогнозов CPM об обработке и эфферентных эффектах оценочных проверок, мы преследуем три цели: во-первых, мы хотим определить, могут ли экспериментальные манипуляции с оценочными проверками (е.g., обнаружение нового события по сравнению с знакомым) последовательно обнаруживаются в активности ЭЭГ и ЭМГ с использованием методов ML. В частности, имея в виду применение этой работы к автоматическому обнаружению оценочных проверок в новых данных, мы сосредотачиваемся на независимом от участников сценарии, то есть на создании моделей путем выявления закономерностей в подгруппе всех участников и их тестирования в сигналы от новой подгруппы участников.
Во-вторых, мы стремимся определить минимальное количество испытаний экспериментального условия, необходимое для успешной классификации созданными моделями ML, используя записи одного испытания и средние записи по разному количеству испытаний (2, 3, 4, 5, 10, 20 и все испытания; см.).В-третьих, мы исследуем, достаточно ли небольшого набора каналов ЭЭГ в определенных областях кожи головы (например, средней линии лобной и теменной), которые, как ранее было показано, связаны с оценочной обработкой, для обнаружения сигналов, связанных с конкретными оценочными проверками (и, следовательно, мог бы уменьшить сложность экспериментальной установки).
Типичные сигналы ЭЭГ и ЭМГ.Типичные сигналы ЭЭГ (сигнал электрода Pz ; слева) и ЭМГ лица (сигнал мышцы Frontalis, ; справа) для двух контрастирующих состояний («высокий» vs.«Низкий») контрольной проверки Control (один участник из исследования 2). Сигналы показаны для одиночных испытаний и средний сигнал для 2, 3, 4, 5, 10, 20 и всех испытаний (пример данных из [17]).
Наборы данных
Данные в этой работе были взяты из двух предыдущих исследований ([17, 18]), в которых рассматривались три фундаментальных вопроса относительно механизмов, лежащих в основе процесса оценки: обрабатываются ли критерии оценки (а) в фиксированной последовательности, (б) независимо друг от друга и (в) разными нейронными структурами или цепями.В исследовании 1 ([17]) странная парадигма с аффективными картинками использовалась для экспериментального манипулирования проверками оценки новизны и внутренней приятности. Этот набор данных включает записи ЭЭГ и ЭМГ лица от двадцати шести субъектов. В исследовании 2 ([18]) была применена азартная игра, в которой стимулы обратной связи одновременно манипулировали информацией о достижении цели, контроле и оценке власти. Этот набор данных включает записи ЭЭГ и ЭМГ лица от двадцати четырех субъектов. В обоих исследованиях ЭЭГ регистрировалась во время выполнения задания вместе с ЭМГ лица для измерения, соответственно, когнитивной обработки и эфферентных реакций, возникающих в результате оценочных манипуляций.Полную информацию об исследованиях можно найти в оригинальных публикациях. Полные наборы данных, а также полное описание (включая процедуры предварительной обработки) находятся в свободном доступе [19, 20] В следующих подразделах мы предоставляем основную информацию о двух наборах данных, имеющую отношение к этой статье.
Записи ЭЭГ и предварительная обработка
ЭЭГ регистрировали с частотой 512 Гц с помощью системы Biosemi Active-Two (BioSemi Biomedical Instrumentation, Амстердам, Нидерланды) с 64 активных электродов, привязанных к активному общему режиму восприятия (CMS), и с пассивно ведомый заземляющий электрод правой ноги (ДХО).Все электроды закрепляли в эластичном колпачке и равномерно распределяли по поверхности головы по международной расширенной системе 10–20.
Исследование 1
В этом исследовании [17] использовалась странная парадигма с аффективными картинками для экспериментального манипулирования проверками оценки новизны и внутренней приятности. Сигналы были предварительно обработаны в автономном режиме с использованием программного обеспечения Brain Vision Analyzer (версия 2.0, Brain Products, Gilching, Германия). Плохие каналы были интерполированы с использованием топографической интерполяции (с использованием сферического сплайна; [21]) с максимум шестью каналами для каждого отдельного набора данных.Интерполяция затронула каналы из наименьшего набора (представляющие интерес каналы ЭЭГ; более подробную информацию см. В разделе «Вычислительные эксперименты») только у одного участника, а каналы из второго набора (представляющие интерес плюс окружающие 13 каналов) — только у четырех участников. В целом, только 2,1% всех данных (25 участников x 64 канала) были интерполированы. Наконец, данные были субдискретизированы до 256 Гц с помощью сплайн-интерполяции, отфильтрованы (фильтр верхних частот: 0,1 Гц, 24 дБ / октаву; фильтр нижних частот: 30 Гц, 48 дБ / октаву) и повторно привязан к среднему эталону, включая все электроды.
Затем данные были сегментированы на эпохи в диапазоне от -200 до +800 мс относительно начала стимула на основе кодов, синхронизированных с предъявлением стимула. Все сегменты были скорректированы с учетом эффектов моргания и движений глаз с использованием стандартной процедуры [22], а сегменты, включающие моторные реакции или артефакты (значения амплитуды более 75 мкВ , разница> 100 мкВ между самым низким и самым низким максимальная амплитуда в пределах сегмента, период> 100 мс с активностью <0.50 мкВ или разница> 50 мкВ между двумя последующими точками отбора проб) были исключены.
Наконец, скорректированные на исходном уровне (от -100 до 0 мс относительно начала стимула) данные временного интервала после стимула были экспортированы для всех оставшихся сегментов шести соответствующих экспериментальных условий (2 новизны × 3 внутренней приятности). Окончательное количество испытаний ЭЭГ, сохраненных и использованных в нашем исследовании (для всех участников и состояний), составляет 16666. Представляющими интерес каналами были три срединных электрода (Fz, Cz, Pz) для P3 и позднего положительного потенциала (LPP). связанные с событиями потенциальные компоненты (ERP).
Исследование 2
В этом исследовании [18] применялась азартная игра, в которой стимулы обратной связи одновременно манипулировали информацией о достижении цели, контроле и оценках власти. Сигналы предварительно обрабатывались в автономном режиме. Сначала их субдискретизировали до 256 Гц с помощью программного пакета Biosemi Decimeter (BioSemi Biomedical Instrumentation, Амстердам, Нидерланды). Затем в EEGLAB (версия 11.0.4.3b; [23]), реализованном в Matlab R2012a (The MathWorks, Inc., Натик, Массачусетс), данные были подвергнуты высокочастотной фильтрации (0.1 Гц), были удалены зашумленные каналы, исправлены горизонтальные и вертикальные движения глаз (на основе индивидуальных компонентных карт, извлеченных с помощью независимого компонентного анализа Infomax, реализованного в EEGLAB (см. [24]). Затем данные были экспортированы в программу Brain Vision Analyzer. (BVA, Brain Products, Гильчинг, Германия). В BVA, сферическая сплайн-интерполяция каналов, фильтрация нижних частот 30 Гц и сегментация (-200 мс до стимула и 1500 мс после стимула) выполнялись аналогично исследованию 1. Интерполяция затронула канал из наименьшего набора (четыре интересующих канала ЭЭГ) только у трех участников и один или два канала из второго набора (16 каналов) у девяти участников.В целом, только 4,4% всех данных (24 участника x 64 канала) были интерполированы. Наконец, испытания, в которых артефакты превышали ± 110 мкВ , были удалены (2,62% от общего количества исключенных испытаний для всех участников).
Наконец, сегментированные данные были скорректированы до исходного уровня (от -200 до 0 мс относительно начала стимула), и отдельные испытания были разделены в соответствии с их экспериментальными условиями. Окончательное количество испытаний ЭЭГ, сохраненных в исследовании 2 и использованных в настоящем анализе (для всех участников и состояний), составляет 20185.Представляющими интерес каналами были Fz и FCz для компонента ERP, связанного с обратной связью, и Pz и POz для компонента P3 ERP.
Запись и предварительная обработка ЭМГ лица
В обоих исследованиях применялись аналогичные этапы сбора данных и предварительной обработки. ЭМГ лица регистрировали с шести электродов (Исследование 1: с использованием системы усилителя Biopac и Исследование 2 с использованием электродов Biosemi EMG). Все электроды были прикреплены к левой стороне лица, что соответствовало трем отдельным биполярным накладкам на медиальной лобной мышце, надсадной мышце и области большой скуловой мышцы [25].
Сигналы были предварительно обработаны в автономном режиме с использованием программного обеспечения MATLAB (версия 7.12.0.635, The MathWorks, Inc., Натик, Массачусетс, США). Все данные подвергались полосовой фильтрации от 20 до 400 Гц, выпрямлялись, сглаживались фильтром нижних частот 40 Гц и субдискретизированы до 256 Гц. Затем данные были сегментированы на периоды от 0 до 1500 мс относительно начала стимула на основе кодов, синхронизированных с предъявлением стимула.
Затем было тщательно изучено распределение значений ЭМГ для каждой мышечной области на предмет выпадающих значений.Учитывая отсутствие установленных методов в литературе, испытания ЭМГ оценивались на основе диапазона значений (максимум-минимум) для каждой мышечной области. Отдельные испытания были определены с использованием порога, в два раза превышающего верхнее значение 75-го процентиля диапазонов (по всем индивидуальным испытаниям для участников и условий) для каждой области мышц. Этот уровень, по-видимому, обеспечивает хороший баланс между исключением явно расходящихся записей (например, испытаний, загрязненных артефактами движения) при одновременном включении относительно крупных реакций, содержащих важный сигнал о манипулировании оценочными проверками.Любое испытание, диапазон которого был больше, чем это значение, для любой из трех мышечных областей, либо в базовом, либо в постстимулирующем периоде, было исключено. Если у какого-либо участника было более 50% от общего числа испытаний, все испытания для этого участника удалялись (это было в случае двух участников). Это решение было мотивировано тем, что эта чрезмерная активность могла быть вызвана артефактами движения и / или неправильным размещением электродов ЭМГ.
Наконец, все испытания были скорректированы по исходному уровню по отношению к среднему значению периода перед стимулом в 100 мс, и только период после стимула в 1500 мс был экспортирован для дальнейшего анализа.Окончательное количество сохраненных испытаний ЭМГ составляет 21529 (Исследование 1) и 18480 (Исследование 2).
Вычислительные эксперименты
В этом разделе мы описываем вычислительные эксперименты, проводимые для независимого моделирования каждой оценочной проверки. Учитывая, что записи ЭЭГ и ЭМГ для каждого экспериментального условия состояли из одновременных манипуляций с двумя (Исследование 1: новизна и внутренняя приятность) и тремя (Исследование 2: достижение цели, контроль и мощность) оценочных проверок, исходные экспериментальные условия были преобразованы на оценочные проверки, связанные с тремя (внутренняя приятность: три уровня) и двумя (все другие оценочные проверки: два уровня) классовыми проблемами.Таким образом, все доступные испытания были использованы для разработки классификатора машинного обучения для каждой оценочной проверки. В этом контексте классификатор ML — это алгоритм, разработанный для определения того, к какому набору категорий (или подгрупп) принадлежит данное наблюдение (далее именуемый экземпляр), с помощью обучающего набора данных, содержащих наблюдения (т. Е. Экземпляры), категория которых членство известно. Используя в качестве примера Исследование 1, все испытания, включающие предъявление «новых» стимулов (результат проверки на новизну), были помечены как «новые», независимо от управляемой внутренней проверки приятности (отрицательной, нейтральной или положительной).
Чтобы изучить влияние усреднения различного количества испытаний на эффективность классификации и определить минимальное количество испытаний, необходимое для достижения наилучших возможных результатов классификации, мы создали разные классификаторы, чтобы различать результаты различных оценочных проверок от одиночные испытания и усредненные испытания (2, 3, 4, 5, 10, 20 и все испытания, доступные для каждого класса). Для каждого числа усредненных испытаний T было вычислено среднее значение сигнала каждого канала ЭЭГ и ЭМГ каждого участника для всех групп испытаний T , доступных для конкретного класса.Когда количество доступных испытаний для определенного класса не кратно T , оставшиеся испытания отбрасывались. Количество экземпляров, доступных для каждого классификационного эксперимента, показано в. В разделе мы указываем общее количество испытаний для каждого класса в каждой задаче классификации, а также среднее, максимальное и минимальное количество экземпляров, доступных для каждого участника (показаны отдельно для проверки аттестации, класса и типа сигнала).
Таблица 1
Количество экземпляров, доступных в наборах данных, полученных из исследования 1 и исследования 2, для классификации одиночных испытаний и усредненных испытаний (Av.).Значения показаны как для исследований, так и для типов сигналов.
| Study | Входной сигнал | Количество экземпляров | ||||
|---|---|---|---|---|---|---|
| EEG | EMG | |||||
| 1 | Single Trials | 16666 | из 2 испытаний | 8222 | 10655 | |
| Av. из 3 испытаний | 5449 | 7074 | ||||
| Av.из 4 испытаний | 4071 | 5287 | ||||
| Av. из 5 испытаний | 3244 | 4232 | ||||
| Av. из 10 испытаний | 1583 | 2087 | ||||
| Av. из 20 испытаний | 753 | 1012 | ||||
| Av. всех испытаний | 150 | 138 | ||||
| 2 | Одиночные испытания | 20185 | 18480 | |||
| Сред. из 2 испытаний | 9938 | 9100 | ||||
| Av.из 3 испытаний | 6590 | 6027 | ||||
| Av. из 4 испытаний | 4935 | 4527 | ||||
| Av. из 5 испытаний | 3921 | 3591 | ||||
| Av. из 10 испытаний | 1927 | 1770 | ||||
| Av. из 20 испытаний | 889 | 830 | ||||
| Av. всех испытаний | 192 | 176 | ||||
Таблица 2
Количество экземпляров, доступных для каждой задачи классификации.Указанные значения представляют собой общее количество испытаний для каждого класса в каждом эксперименте по классификации, а также среднее (Av.), Максимальное (Max.) И минимальное (Min.) Количество испытаний, доступных для каждого участника. Значения указаны отдельно для каждого типа сигнала (ЭЭГ и ЭМГ).
| Сигнал | Исследование | Аттестационная проверка | Класс | Итого | Сред. | Мин. | Макс. | |||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| EEG | 1 | Новинка | Знакомая | 12946 | 518 | 292 | 721 | |||||
| 904 904 904 904 904 904 9048 Приятное | Неприятное | 5457 | 218 | 104 | 310 | |||||||
| Нейтральное | 5574 | 223 | 141 | 307 | Приятное | |||||||
| 2 | Контроль | Высокий | 15132 | 631 | 587 | 647 | ||||||
| Низкий | 5053 | 211 | 10087 | 420 | 392 | 431 90 294 | ||||||
| Низкий | 10098 | 421 | 392 | 432 | ||||||||
| Мощность | Высокий | 10098 | 421 | 392 | 432 | 392 | 432 | 392 | 432 | 432 377 | 431 | |
| ЭМГ | 1 | Новизна | Знакомые | 16766 | 729 | 633 | 721 | |||||
| Novel | 4763 | 207 | 182 | 202 | ||||||||
| Внутреннее удовольствие | Неприятное | 7206 | 313 | 274 | 310 | |||||||
| Нейтральное | 7171 | 312 | 7171 | 312 | 302 | 265 | 265 | 324 | ||||
| 2 | Контроль | Выс. h | 15138 | 631 | 577 | 647 | ||||||
| Низкий | 5049 | 210 | 181 | 216 | ||||||||
| 10046 | 9046 Высокая 431 | |||||||||||
| Низкий | 10097 | 421 | 387 | 432 | ||||||||
| Мощность | Высокий | 10086 | 4201 | 378 431 | 4201 | 378 431 | 90464201 | 378 431 | 9046380 | 432 |
Мы также исследовали использование двух подмножеств каналов ЭЭГ, локализованных в определенных областях кожи головы, где эффекты оценочных проверок наблюдались в традиционных анализах ЭЭГ в исследованиях 1 и 2.Конкретные каналы ЭЭГ, выявленные при традиционном анализе исследований, показаны в. Первый (наименьший) набор соответствует тем каналам ЭЭГ, которые измеряют активность в соответствующих локализованных областях кожи головы, связанных с оценочными проверками каждого исследования. Второй набор включает те же каналы плюс все непосредственно соседние каналы. Наконец, последний набор включает полный набор каналов ЭЭГ. Для каждого набора каналов мы провели классификационные эксперименты для всех одиночных испытаний и входных сигналов усредненных испытаний.Следует отметить, что независимый компонентный анализ (ICA) также мог быть использован в качестве предварительного метода для идентификации максимально независимых во времени сигналов ЭЭГ в полных данных скальпа, что, в свою очередь, могло быть использовано для уменьшения размерности сигнала ЭЭГ. Космос. Это действительно стандартный метод, используемый в традиционных анализах ЭЭГ. Тем не менее, принимая во внимание данные из исходных результатов анализа исследований 1 и 2, мы решили сделать выбор, основанный на теории (а не на основе данных).
Таблица 3
Наборы каналов ЭЭГ, использованные в классификационных экспериментах.Для каждого исследования первый (наименьший) набор включает те каналы ЭЭГ, которые измеряют активность в конкретных регионах, где эффекты оценочных проверок наблюдались в традиционных анализах ЭЭГ исследований. Второй набор включает те же каналы плюс все непосредственно соседние каналы. Наконец, последний набор включает полный набор каналов ЭЭГ.
| Исследование 1 | Исследование 2 | |
|---|---|---|
| Набор 1 | Fz, Cz, Pz | Fz, FCz, Pz, POz |
| Набор 2 , FCz, F1, F2, AFz, C1, C2, CPz, P1, P2, POz | Fz, FCz, Pz, POz, F1, F2, AFz, FC1, FC2, Cz, P1, P2, CPz, PO3, PO4, Oz | |
| Набор 3 | Все 64 канала | Все 64 канала |
Машинные классификаторы опорных векторов
В наших экспериментах мы применяли вспомогательные векторные машины (SVM;g., [26]) для независимой от участников классификации отдельных испытаний и усредненных испытаний ЭЭГ (так называемые ERP) и сигналов ЭМГ (лобная, морщинистая и скуловая мышцы) пяти оценочных проверок, исследованных в Исследование 1 (новизна, внутренняя приятность) и Исследование 2 (достижение цели, контроль и сила).
SVM — это модели обучения с учителем, основанные на концепции гиперплоскостей принятия решений, то есть многомерных границ, разделяющих наборы объектов с различными классами принадлежности.Цель алгоритма SVM — максимизировать разделение между классами, которое состоит в поиске гиперплоскости, которая имеет наибольшее расстояние до ближайшей точки обучающих данных любого класса (также известной как функциональный запас). Поскольку чем больше запас, тем меньше ошибка обобщения задачи классификации. Набор обучающих примеров, принадлежащих к двум или более категориям, используется для определения гиперплоскости, которая лучше всего различает разные классы (то есть с максимально широким зазором).Затем тестовые экземпляры отображаются на это многомерное пространство, и сторона разрыва, на которую они попадают, определяет прогнозируемые категории.
Формально на наборе примеров [ x i , y i ], i = 1, 2,…, m , где x i ∈ ℝ d — это вектор пространственных признаков d , и y i ∈ {0, 1} — соответствующий прогноз для каждого примера, можно найти максимальный запас, разделяющий гиперплоскость путем решения следующей задачи оптимизации:
maxαW (α) = ∑i = 1mαi-12∑i, j = 1my (i) y (j) αiαjK (xi, xj) участнику: 0≤αi≤T, i = 1,…, m∑i = 1mαiy (i) = 0,
(1)
где αi, которые являются лагранжевыми множителями, удовлетворяют указанным выше ограничениям, T — определенная константа, а K ( x i , x j ) — функция ядра, которая может быть линейной, полиномиальный, радиальный базис или сигмоидальный.Для классификации данного тестового примера реализована следующая функция:
f (x) = ∑imαiyiK (xi, x) + b,
(2)
где b — термин «систематическая ошибка», который, как часто предполагается, имеет нулевое среднее значение. Знак этой функции определяет категорию тестового примера.
Для экспериментов, представленных в этой статье, мы использовали SVM с линейными функциями ядра, как это реализовано в наборе инструментов WEKA [27], который использует популярный алгоритм последовательной минимальной оптимизации (SMO) [28] для решения задачи оптимизации во время обучения.Мы выбрали SVM, потому что этот метод сформировал теоретические основы и показал замечательную эффективность при решении множества задач классификации на протяжении многих лет, включая классификацию физиологических сигналов [29]. Более того, SVM обладают хорошими обобщающими свойствами (например, [30, 31], устойчивы к перетренированности [31] и к проклятию размерности [30, 32]. В частности, последняя характеристика особенно актуальна для анализа физиологические сигналы, поскольку размерность пространства признаков высока, а обучающие наборы относительно малы.Другие методы моделирования, особенно связанные с глубоким обучением [33], также демонстрируют большой потенциал для этого направления исследований, но сравнение и оптимизация методов машинного обучения выходит за рамки настоящего исследования и будет частью нашей будущей работы.
Извлечение признаков
Мы извлекли набор характеристик, связанных с энергией и спектром, из сигналов ЭЭГ и ЭМГ. Характеристики были извлечены из полных сигналов (размер окна 1500 мс), полученных в каждом испытании (или, в зависимости от классификационного эксперимента, из среднего сигнала по нескольким испытаниям), а также из сегментов сигналов, определенных с помощью скользящего окна размером 200 мс (ЭЭГ) и 400 мс (ЭМГ) с 50% перекрытием.Для сигналов ЭЭГ скользящие окна применялись только к начальным 1000 мс (что в сумме дает девять сегментов: 0-200 мс, 100-300 мс, 200-400 мс, 300-500 мс, 400-600 мс, 500-700 мс, 600-800 мс, 700-900 мс и 800-1000 мс). Для сигналов ЭМГ они были применены ко всему сигналу (1500 мс), что дало семь сегментов (0-400 мс, 200-600 мс, 400-800 мс, 600-1000 мс, 800-1200 мс, 1000- 1400 мс и 1200-1500 мс; последнее окно на 100 мс короче предыдущего с учетом длины сигнала).
Характеристики ЭЭГ
Для всех сегментов сигнала (1500 мс) и каждого из девяти скользящих окон длительностью 200 мс мы использовали прямоугольные окна с 10% -ным затуханием Хеннинга для вычисления логарифмических амплитуд восьми банков фильтров (т.е. полосовые фильтры, которые разлагают каждый сигнал на несколько частотных компонентов, настроенных на логарифмически масштабированные частоты в диапазоне от 1 до 40 Гц, а также на среднеквадратичную энергию кадра сигнала. Логарифмическая шкала использовалась для создания набора банков фильтров с большим количеством фильтров, настроенных на более низкие частоты (т.е.е., те частоты, на которых мы ожидали найти соответствующую сигнальную информацию). Кроме того, для всех сегментов мы также вычислили спектральный центроид (т. Е. Точку уравновешивания спектра), положения минимальной и максимальной амплитуд, энтропию сигнала (т. Е. Спектральную сложность или неравномерность), стандартное отклонение и наклон (рассчитанный из тех же восьми банков логарифмических фильтров). Всего было извлечено 96 статических характеристик для каждого канала ЭЭГ.
Характеристики EMG
Для всех сегментов сигнала (1500 мс), а также для семи скользящих окон длиной 400 мс, мы снова использовали прямоугольные окна с 10% -ным затуханием Хеннинга для вычисления логарифмических амплитуд другого набора логарифмических масштабированных банков фильтров. и энергия кадра сигнала RMS.В случае сигналов ЭМГ мы использовали набор из 10 банков фильтров в диапазоне частот 20-60 Гц. Аналогично сигналам ЭЭГ для всех сегментов мы также вычислили спектральный центроид, положение минимальной и максимальной амплитуд, энтропию, стандартное отклонение и наклон (рассчитанный из десяти логарифмических банков фильтров). Всего было извлечено 94 статических объекта для каждой области ЭМГ лица.
Для сигналов ЭЭГ и ЭМГ каждый экземпляр описывается статическим вектором, сформированным путем объединения всех извлеченных признаков для каждого канала, используемого в каждом эксперименте по классификации (т.е., содержащий все функции, извлеченные для всех каналов, используемых в каждом эксперименте). Учитывая, что наибольшее количество входных сигналов в наших экспериментах соответствует 64 каналам ЭЭГ (полная скальп), максимальный размер входного вектора во всех классификационных экспериментах составляет 6144 (96 x 64). Все функции были извлечены с помощью пакета openSMILE [34].
Методы разработки и тестирования
Чтобы ограничить чрезмерную подгонку классификаторов к обучающим данным и активности конкретного участника, мы использовали трехкратную схему вложенной перекрестной проверки, не зависящей от участника (SICV).Каждая кратность включает все испытания (или среднее значение по испытаниям), полученные от одной трети участников. В каждой свертке SICV один раздел используется для обучения классификаторов (обучающий набор), другой — для оценки параметров модели на этапе разработки (набор проверки), а третий раздел — для тестирования классификатора на неконтролируемой фазе с новой группой участники (тестовый набор). Все наборы были стандартизированы по среднему значению и стандартному отклонению обучающих наборов в каждом случае. Кроме того, учитывая, что некоторые распределения классов сильно несбалансированы (т.е., количество экземпляров, принадлежащих каждому классу, сильно различается), повышающая дискретизация классов меньшинства была выполнена на обучающем наборе для достижения равномерного распределения классов. Это было достигнуто путем повторения полного набора экземпляров класса (ов) меньшинства, чтобы процент экземпляров, представляющих каждый класс в обучающем наборе, был как можно более похожим (в идеале 50% для двоичных классификаций и 33% для троичных). Параметр сложности C, который регулирует оптимизацию маржи ( C ∈ 10 — 5, 10 — 4, 10 — 3, 10 — 2, 10 — 1), был оптимизирован с использованием проверочных наборов для каждой кратности SICV.Затем для каждой кратности наборы для обучения и проверки были объединены, и новый классификатор был обучен с оптимизированным параметром C, оцененным на этапе разработки. Наконец, классификаторы, разработанные для каждой свертки SICV, были протестированы на соответствующих тестовых наборах, а также на девяти бутстрапированных наборах, отобранных (с заменой) из исходного тестового набора (с тем же количеством экземпляров). Вся процедура была повторена для всех классификационных экспериментов (как для типов сигналов, так и для усредненных испытаний), представленных в этой статье.
Показатели эффективности
Эффективность классификаторов была определена количественно с использованием невзвешенного среднего количества отзывов по классам (или невзвешенного среднего отзыва; UAR ), которое отражает количество правильно классифицированных экземпляров. Поскольку теоретический уровень вероятности (100/ NumberofClasses ) предполагает бесконечные размеры выборки, необходимо оценить порог правильной классификации, чтобы правильно интерпретировать разницу между рассчитанным значением UAR и фактическим уровнем вероятности для каждого эксперимента.Это особенно важно в нашем исследовании, учитывая несоответствие между количеством тестовых примеров, используемых в классификационных экспериментах (см.), И особенно небольшое количество экземпляров в некоторых из них (менее 50). Чтобы оценить аналитические уровни вероятности, мы использовали метод, описанный в [35], который оценивает порог, который должен быть превышен, чтобы считать декодирование статистически значимым для различных размеров выборки с использованием биномиального кумулятивного распределения. Разница между UAR и аналитическим уровнем вероятности ( diffUAR ) для конкретного размера тестового набора затем использовалась для определения фактических характеристик классификаторов относительно аналитического уровня вероятности при уровне значимости 95%.
Результаты
Результаты классификационных экспериментов для каждой оценочной проверки по типу сигнала (и количеству каналов, используемых для каждого сигнала; только для ЭЭГ) и усредненному количеству попыток показаны в таблицах и (ЭЭГ), а также в таблицах и (ЭМГ). ). Показанные значения соответствуют производительности оптимизированных классификаторов на тестовых наборах трех сверток SICV плюс девять бутстрэпированных наборов, выбранных (с заменой) из исходных тестовых наборов (с тем же количеством экземпляров; всего 3 + 3 * 9 = 30 наборов тестов на классификатор).Этот метод использовался для получения робастных оценок алгоритма на данных тестовой выборки. Кроме того, делая вывод о распределении предсказаний теста, мы также можем применить выводную статистику, чтобы определить, значительно ли они превышают эмпирический уровень вероятности (с использованием односторонних тестов Стьюдента t для одной выборки) и определить конфигурации (каналы и усредненные испытания), которые приводят к лучшим характеристикам (с использованием линейных смешанных моделей (LMM)).
Таблица 4
Сводка результатов, относящихся к классификации сигналов ЭЭГ с точки зрения новизны и внутренней приятности оценка проверяет манипуляции (исследование 1).Результаты показаны для разного количества усредненных испытаний (Av.) На участника и для разного количества каналов. Эффективность классификаторов оценивалась количественно с использованием невзвешенного среднего отзыва ( UAR ) и разницы между UAR и уровнем аналитической вероятности ( diffUAR ). Звездочки обозначают значимые односторонние тесты Стьюдента t , проведенные для проверки, когда классификационные характеристики были значительно выше эмпирического уровня вероятности (*** p <.001, ** p <0,01, * p <0,05). Для получения подробной информации о количестве испытаний, усредненных для каждого участника, см.
| Количество Av. Испытания | UAR | diffUAR | ||||
|---|---|---|---|---|---|---|
| 3 ch. | 13 шасси | 64 шасси | 3-х кан. | 13 шасси | 64 шасси | |
| Новинка | ||||||
| Все ⊗ | 80,2 ± 8,9 *** | 82.9 ± 7,4 *** | 82,3 ± 6,2 *** | 18,2 ± 9,3 | 20,8 ± 7,0 | 20,3 ± 6,2 |
| 20 | 66,1 ± 5,2 *** | 71,6 ± 2,7 *** | 83,5 ± 4,2 *** | 10,8 ± 5,1 | 16,4 ± 2,8 | 28,3 ± 4,4 |
| 10 | 63,6 ± 3,8 *** | 68,7 ± 2,9 *** | 76,8 ± 3,8 * ** | 9,9 ± 3,6 | 15,1 ± 2,8 | 23,2 ± 4,0 |
| 5 | 64,8 ± 2,1 *** | 63.6 ± 2,0 *** | 72,6 ± 3,1 *** | 12,3 ± 2,0 | 11,0 ± 2,1 | 20,1 ± 3,2 |
| 4 | 61,4 ± 1,6 *** | 62,9 ± 1,9 *** | 71,4 ± 3,1 *** | 9,2 ± 1,5 | 10,7 ± 2,0 | 19,2 ± 3,3 |
| 3 | 60,2 ± 2,8 *** | 62,3 ± 2,7 *** | 70,1 ± 2,2 * ** | 8,3 ± 2,7 | 10,4 ± 2,7 | 18,2 ± 2,2 |
| 2 | 59,2 ± 1,2 *** | 60.3 ± 1,2 *** | 67,9 ± 2,3 *** | 7,6 ± 1,2 | 8,8 ± 1,2 | 16,4 ± 2,2 |
| Нет | 56,0 ± 1,2 *** | 58,6 ± 1,3 *** | 64,5 ± 1,0 *** | 4,9 ± 1,1 | 7,5 ± 1,3 | 13,4 ± 1,0 |
| Внутренняя приятность | ||||||
| Все ⊗ | 33,5 ± 6,24 | 33,5 ± 6,24 | 37,9 ± 7,1 | -10,4 ± 6,2 | -7,9 ± 9,0 | -6.1 ± 7,0 |
| 20 | 39,3 ± 3,2 * | 37,1 ± 3,0 | 37,2 ± 2,3 | 1,0 ± 3,4 | -1,0 ± 3,1 | -1,1 ± 2,3 |
| 10 | 1,9 | 33,1 ± 1,9 | 36,3 ± 1,9 | -0,5 ± 1,9 | -3,7 ± 1,8 | -0,5 ± 1,9 |
| 5 | 33,7 ± 1,5 | 1,5 34,6 ± 2,6 | 9 34,6 ±-2,0 ± 1,5 | -1,1 ± 2,7 | -1,1 ± 1,5 | |
| 4 | 34.2 ± 2,0 | 36,5 ± 2,3 | 36,4 ± 1,6 * | -1,2 ± 2,1 | 1,1 ± 2,4 | 1,0 ± 1,7 |
| 3 | 33,8 ± 1,7 | 34,6 ± 1,9 ** | 35,3 ± 0,9 | -1,4 ± 1,8 | -0,6 ± 1,9 | 0,1 ± 0,9 |
| 2 | 33,8 ± 1,3 | 34,2 ± 1,1 | 36,1 ± 0,7 * | -1,0 ± 1,4 | -0,6 ± 1,1 | 1,3 ± 0,7 |
| Нет | 34,1 ± 0,7 | 34.5 ± 0,9 | 34,8 ± 0,5 * | -0,2 ± 0,7 | 0,2 ± 0,9 | 0,4 ± 0,5 |
Таблица 5
Сводка результатов классификации сигналов ЭЭГ с точки зрения контроля , мощность и цель достижения оценка проверяет манипуляции (исследование 2).Результаты показаны для разного количества усредненных испытаний на участника и разного количества каналов (ch.). Эффективность классификаторов оценивалась количественно с использованием невзвешенного среднего отзыва ( UAR ) и разницы между UAR и уровнем аналитической вероятности ( diffUAR ).Звездочки обозначают значимые односторонние тесты Стьюдента t , проведенные для изучения, когда характеристики классификации были значительно выше эмпирического уровня вероятности (* p <0,05, ** p <0,01, *** p <0,001). Для получения подробной информации о количестве испытаний, усредненных для каждого участника, см.
| Количество Av. Trials | UAR | diffUAR | ||||
|---|---|---|---|---|---|---|
| 4 кан. | 16 шасси | 64 шасси | 4 шасси | 16 шасси | 64 шасси | |
| Контроль | ||||||
| Все ⊗ | 56,1 ± 5,9 | 56,6 ± 6,3 | 54,9 ± 5,9 | -4,8 ± 5,9 | -4 6,3 | |
| 20 | 50,2 ± 4,7 | 55,0 ± 3,3 | 48,7 ± 4,3 | -4,6 ± 4,7 | 0,2 ± 3,3 | -6,1 ± 4,3 |
| 10 | 50.8 ± 2,7 | 51,4 ± 3,3 | 51,4 ± 2,1 | -2,5 ± 2,7 | -1,9 ± 3,2 | -1,8 ± 2,1 |
| 5 | 52,8 ± 1,9 | 51,6 ± 1,5 | 51,4 ± 1,8 | 0,5 ± 2,0 | -0,7 ± 1,5 | -0,9 ± 1,8 |
| 4 | 51,9 ± 1,8 | 51,0 ± 1,6 | 49,8 ± 1,9 | -0,2 ± 1,8 | -1,1 ± 1,6 | -2,2 ± 1,9 |
| 3 | 51,0 ± 1,4 | 51.5 ± 1,6 | 48,7 ± 1,3 | -0,7 ± 1,4 | -0,2 ± 1,6 | -3,1 ± 1,3 |
| 2 | 49,6 ± 1,0 | 50,1 ± 1,3 | 50,2 ± 1,5 | ± 1,0 | -1,3 ± 1,3 | -1,2 ± 1,5 |
| Нет | 50,4 ± 0,6 | 49,7 ± 0,6 | 49,5 ± 0,7 | -0,6 ± 0,6 | -1,3 ± 0,6 | -1,5 ± 0,7 |
| Мощность | ||||||
| Все ⊗ | 70.6 ± 5,3 *** | 65,6 ± 7,3 * | 59,1 ± 6,0 | 9,7 ± 5,3 | 4,7 ± 7,3 | -1,9 ± 6,0 |
| 20 | 56,2 ± 3,9 * | 55,2 ± 3,1 | 54,1 ± 3,2 | 1,5 ± 4,0 | 0,5 ± 3,1 | -0,6 ± 3,2 |
| 10 | 57,7 ± 2,5 *** | 56,2 ± 2,9 *** | 53,8 ± 2,5 | 4,4 ± 2,5 | 2,9 ± 2,9 | 0,5 ± 2,5 |
| 5 | 55,4 ± 1,6 *** | 55.7 ± 1,5 *** | 52,7 ± 1,2 | 3,1 ± 1,6 | 3,4 ± 1,5 | 0,4 ± 1,2 |
| 4 | 53,5 ± 1,7 *** | 54,0 ± 1,6 *** | 53,0 ± 1,2 *** | 1,4 ± 1,7 | 1,9 ± 1,6 | 0,9 ± 1,2 |
| 3 | 54,2 ± 1,2 *** | 52,1 ± 1,4 | 52,0 ± 1,3 | 2,5 ± 1,2 | 0,4 ± 1,4 | 0,2 ± 1,3 |
| 2 | 52,5 ± 0,8 *** | 51,8 ± 1,1 * | 52.3 ± 0,9 *** | 1,0 ± 0,8 | 0,4 ± 1,1 | 0,9 ± 0,9 |
| Нет | 51,9 ± 0,5 *** | 51,9 ± 0,6 *** | 50,7 ± 0,9 | 0,9 ± 0,5 | 0,9 ± 0,6 | -0,3 ± 0,9 |
| Целевая проводимость | ||||||
| Все ⊗ | 53,4 ± 8,5 | 59,2 ± 6,4 | 56,3 ± 5,6 -90,6 | -1,8 ± 6,4 | -4,6 ± 5,6 | |
| 20 | 56.6 ± 3,6 ** | 55,4 ± 3,0 | 55,4 ± 3,1 | 1,8 ± 3,6 | 0,6 ± 3,1 | 0,6 ± 3,1 |
| 10 | 54,9 ± 2,0 *** | 52,4 ± 2,8 | 51,5 ± 2,2 | 1,6 ± 2,0 | -0,9 ± 2,8 | -1,8 ± 2,2 |
| 5 | 54,2 ± 1,6 *** | 53,1 ± 1,7 ** | 52,1 ± 1,1 | 1,9 ± 1,6 | 0,8 ± 1,7 | -0,2 ± 1,1 |
| 4 | 52,8 ± 1,4 ** | 51.7 ± 1,4 | 52,2 ± 1,4 | 0,8 ± 1,4 | -0,4 ± 1,4 | 0,2 ± 1,4 |
| 3 | 53,3 ± 1,1 *** | 52,3 ± 1,1 ** | 50,7 ± 1,1 | 1,5 ± 1,1 | 0,6 ± 1,1 | -1,0 ± 1,1 |
| 2 | 51,8 ± 0,9 * | 51,9 ± 0,9 ** | 52,2 ± 1,0 *** | 0,3 ± 0,9 | 0,4 ± 0,9 | 0,8 ± 1,0 |
| Нет | 52,1 ± 0,8 *** | 51,9 ± 0.6 *** | 52,0 ± 0,6 *** | 1,1 ± 0,8 | 0,9 ± 0,6 | 1,0 ± 0,6 |
Таблица 6
Сводка результатов классификации, полученных для новинок и собственных приятность проверок оценки по сигналам ЭМГ (Исследование 1).Результаты показаны для разного количества усредненных испытаний на участника. Эффективность классификаторов оценивалась количественно с использованием невзвешенного среднего отзыва ( UAR ) и разницы между UAR и уровнем аналитической вероятности ( diffUAR ).Звездочки обозначают значимые односторонние тесты Стьюдента t , проведенные для изучения, когда характеристики классификации были значительно выше эмпирического уровня вероятности (* p <0,05, ** p <0,01, *** p <0,001).
| Аттестационная проверка | Кол-во ср. Испытания | UAR | diffUAR | ||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Новинка | Все ⊗ | 54.4 ± 8,7 | -7,9 ± 8,7 | ||||||||||||||||||
| 20 | 49,3 ± 4,8 | -5,2 ± 4,7 | |||||||||||||||||||
| 10 | 47,9 ± 2,4 | -5,2 ± 51 | |||||||||||||||||||
| 2,2 | -0,9 ± 2,2 | ||||||||||||||||||||
| 4 | 50,8 ± 1,2 | -1,2 ± 1,2 | |||||||||||||||||||
| 3 | 50,5 ± 0,8 | -1,2 ± 0,8 | |||||||||||||||||||
| 2 | 0,6294 9046 | -0,7 ± 0,6 | |||||||||||||||||||
| Нет | 50.1 ± 0,2 | -0,9 ± 0,2 | |||||||||||||||||||
| Внутреннее удовольствие | Все ⊗ | 31,2 ± 5,8 | -13,1 ± 5,8 | ||||||||||||||||||
| 20 | 33,4 ± 2,7 | ||||||||||||||||||||
| 10 | 32,0 ± 1,5 | -4,3 ± 1,4 | |||||||||||||||||||
| 5 | 33,9 ± 1,6 | -1,5 ± 1,6 | |||||||||||||||||||
| 4 | 33,7 ± 1,0 | 1,0 | |||||||||||||||||||
| 3 | 32.8 ± 0,7 | -2,1 ± 0,7 | |||||||||||||||||||
| 2 | 31,7 ± 1,1 | -3,0 ± 1,2 | |||||||||||||||||||
| Нет | 33,6 ± 0,6 | -0,7 ± 0,6 |
| Аттестационная проверка | Кол-во ср. Испытания | UAR | diffUAR | ||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Control | Все ⊗ | 45,5 ± 7,3 | -15,2 ± 7,3 | ||||||||||||||||||
| 20 | 9046|||||||||||||||||||||
| 10 | 47,9 ± 2,1 | -5,4 ± 2,2 | |||||||||||||||||||
| 5 | 48,0 ± 1,5 | -4,4 ± 1,6 | |||||||||||||||||||
| 4 | 48.0 ± 1,6 | -4,1 ± 1,5 | |||||||||||||||||||
| 3 | 47,0 ± 2,4 | -4,9 ± 2,4 | |||||||||||||||||||
| 2 | 49,4 ± 1,3 | -2,1 ± 1,2 | |||||||||||||||||||
| нет 0,9 | -2,3 ± 0,9 | ||||||||||||||||||||
| Мощность | Все ⊗ | 53,1 ± 6,1 | -7,7 ± 6,1 | ||||||||||||||||||
| 20 | 52,0 ± 3,4 | -2,8 ± 1,8 | 10 | 50,5 ± 2.4 | -2,8 ± 2,5 | ||||||||||||||||
| 5 | 50,4 ± 1,2 | -2,0 ± 1,2 | |||||||||||||||||||
| 4 | 50,5 ± 1,2 | -1,6 ± 1,2 | |||||||||||||||||||
| 49,8 ± 1,2 | -2,0 ± 1,1 | ||||||||||||||||||||
| 2 | 49,1 ± 1,1 | -2,4 ± 1,1 | |||||||||||||||||||
| Отсутствует | 48,5 ± 0,7 | -2,6 ± 0,7 | |||||||||||||||||||
Все 9029 Проводимость | 49,9 ± 7.1 | -10,9 ± 7,1 | 20 | 49,8 ± 3,7 | -5,1 ± 3,8 | 10 | 49,4 ± 1,9 | -3,9 ± 1,9 | 5 | -2,0 ± 2,0 | 4 | 52,5 ± 1,3 | 0,4 ± 1,3 | 3 | 49,8 ± 1,4 | -2,1 ± 1,4 | 2 | 50,7 ± 0,9 ± 0,9 | Нет | 50.3 ± 1,0 | -0,8 ± 1,0 | |
ЭЭГ
Результаты классификационных экспериментов с использованием сигналов ЭЭГ представлены в таблицах и.
Новизна
Все классификационные тесты были значительно (и в значительной степени) выше эмпирического уровня вероятности ( p <0,001 во всех случаях). Полученные результаты показывают, что усреднение по большему количеству отдельных испытаний и использование информации из всех каналов ЭЭГ полезно для классификации оценочной проверки на новизну .Наилучшая производительность (с точки зрения разницы относительно эмпирического уровня вероятности) была достигнута при использовании признаков, извлеченных из всей кожи головы (64 канала), и при усреднении по 20 отдельным испытаниям в тех же экспериментальных условиях ( diffUAR = 28,3 ± 4,4 ; UAR = 83,5 ± 4,2). Наихудшие результаты были достигнуты при классификации одиночных испытаний и при использовании признаков, извлеченных из трех представляющих интерес каналов ( diffUAR = 4,9 ± 1,1; UAR = 56.0 ± 1,2), хотя даже здесь результативность была значительно (но незначительно) выше случайного уровня.
Внутренняя приятность
Только несколько классификационных тестов дали результаты, значительно превышающие эмпирический уровень вероятности, а те, которые дали, были очень скромными (примерно на 1% выше эмпирического уровня вероятности).
Контроль
Ни один из тестов не дал результатов классификации выше соответствующего эмпирического уровня вероятности.
Power
Все классификационные тесты с использованием признаков, извлеченных из четырех каналов ЭЭГ, представляющих интерес для этой задачи, дали результаты, значительно превышающие эмпирический уровень вероятности.Существует очевидная тенденция, указывающая на то, что производительность улучшается, когда классифицируемые сигналы усредняются по большему количеству испытаний (то есть с более высоким SNR). Результаты аналогичны тестам, в которых использовались функции, извлеченные из 16 каналов, хотя для тестов с использованием сигналов, усредненных по трем и 20 отдельным испытаниям, характеристики ненамного превышают эмпирический уровень вероятности. Результаты, полученные с использованием всех каналов ЭЭГ, либо ненамного превышают уровень вероятности, либо лишь незначительно.В целом, лучшая производительность была получена при использовании сигналов из четырех представляющих интерес каналов ЭЭГ, усредненных по всем испытаниям, полученным для каждого человека в условиях Power ( diffUAR = 9,7 ± 5,3).
Соответствие цели
Все классификационные тесты с использованием признаков, извлеченных из четырех представляющих интерес каналов, дали результаты, значительно превышающие эмпирический уровень вероятности (за исключением всех усредненных испытаний), но только с небольшим запасом (максимум 1.9%). Только несколько тестов, в которых использовались характеристики из 16 или 64 каналов ЭЭГ, дали результаты выше эмпирического уровня вероятности и не более чем на 1%. Наилучшие результаты этой оценочной проверки были получены с использованием функций, извлеченных из четырех представляющих интерес каналов ЭЭГ, и усредненных сигналов по пяти отдельным испытаниям.
EMG
Ни один из тестов не привел к результатам классификации, превышающей соответствующий эмпирический уровень вероятности для любой из оценочных проверок, изученных в этой статье.
Выводы
В этой статье мы применили методы машинного обучения с целью обнаружения психобиологических маркеров эмоциональных процессов в сигналах ЭЭГ и ЭМГ.В частности, мы сосредоточились на том, чтобы определить, могут ли различные этапы оценки события (оценки), постулируемые оценочными теориями, быть автоматически обнаружены в этом типе психофизиологических сигналов. Кроме того, мы попытались определить идеальное количество испытаний экспериментальных условий, необходимых для успешной классификации оценочных проверок, а также полезность сигналов от локализованной активности на конкретных интересующих участках кожи головы, а не на всей коже черепа.
Наши результаты показали, что активность мозга (сигналы ЭЭГ) позволяет четко обнаружить сигнал, связанный с оценочными проверками new и power .Действительно, в этой (бинарной) задаче нам удалось достичь точности классификации до 85,5% и 70,6% (соответственно). Эти результаты еще более поразительны, если учесть, что мы разработали модели, не зависящие от участников, то есть модели, разработанные с использованием данных от подгруппы участников и обобщенные для новой группы участников. Это указывает на то, что наш метод позволяет обнаруживать проверки новизны и мощности в сигналах ЭЭГ, и что модель может быть применена к новым участникам с характеристиками, аналогичными образцу, используемому в этой работе (т.е., молодые, здоровые студенты-правши) без необходимости его адаптации. В меньшей степени, мы также обнаружили свидетельства активности мозга для оценочной проверки цели проводимости . Наилучшая точность классификации, полученная для этой проверки, составила 56,6%, однако это значение всего на 1,8% выше эмпирического уровня вероятности (54,8%). Наш метод не позволил нам выявить внутренней приятности и контрольных проверок оценки достаточно хорошо. Поскольку эти последние проверки были обнаружены с использованием традиционного анализа ЭЭГ, в исследованиях, для которых эти наборы данных были первоначально собраны [17, 18], это предполагает, что для их автоматического обнаружения могут потребоваться различные наборы функций и / или методы машинного обучения.
Следует отметить, что интерполяция данных из плохих каналов потенциально может повлиять на задачу проверки количества требуемых каналов данных, поскольку интерполированные каналы определяются окружающими соседями. Однако наш вывод о том, что результаты классификации можно было обобщить для всех участников (то есть результаты были согласованными, в то время как количество и расположение интерполированных каналов варьировалось для разных участников), говорит об обратном. Кроме того, мы проверили общее количество интерполированных каналов на набор данных и на набор каналов ЭЭГ и обнаружили, что очень небольшое количество каналов было интерполировано в обоих исследованиях (см. Раздел «Наборы данных»).Это говорит о том, что интерполяция была мягкой и не содержала систематических ошибок.
Что касается данных ЭМГ, нам не удалось обнаружить сигналы, связанные с исследуемой оценочной проверкой. Во всех случаях точность классификации упала ниже соответствующих эмпирических уровней вероятности. Учитывая, что оценочные эффекты были обнаружены в данных ЭМГ исследования 2 с использованием традиционных методов анализа, одним из возможных объяснений этого нулевого открытия может быть то, что для автоматического обнаружения оценок в ЭМГ могут потребоваться различные наборы функций.Действительно, учитывая отсутствие информации о временном расположении эффектов в постстимульной фазе, мы сосредоточились на извлечении признаков из всех сигналов, а также на семи больших временных окнах, но может оказаться, что этих временных интервалов недостаточно. . Несколько исследований показывают, что влияние оценок в ЭМГ нестабильно во времени и может приводить к значительным различиям между условиями только в коротких (например, 100 мс) временных окнах в течение постстимульного интервала (см.грамм. [36–38]). Хотя мы пытались зафиксировать эту нестационарность в настоящем исследовании на основе машинного обучения, сегментируя данные ЭМГ на более короткие временные окна, мы выбрали временные окна продолжительностью 400 мс, чтобы ограничить общее количество тестов. Эти окна могли быть слишком большими для обнаружения тонких (то есть более мелкозернистых во времени) эффектов оценки. Дальнейшая работа должна решить эту проблему. Следует также отметить, что в предыдущей работе не изучалось влияние всех проводимых в настоящее время оценочных проверок на деятельность ЭМГ.Поэтому возможно, что эффекты некоторых оценочных проверок (например, Исследование 1) не отражаются в изменениях активности лицевых мышц (или, по крайней мере, их трудно обнаружить). Кроме того, на результаты может повлиять взаимодействие между последующими проверками. Действительно, анализ данных ЭМГ, проведенный Генчем и его коллегами [36] (эксперимент 1), показывает, что интегрированная информация, относящаяся к достижению цели и мощности, запускает изменения активности щечных мышц. Точно так же ван Пеер и его коллеги [17] обнаружили, что на некоторые внутренние эффекты приятности в данных ЭЭГ повлияла новизна.Возможно, что эти эффекты оценочной проверки не могли быть обнаружены в текущей работе из-за того, что мы классифицировали все оценочные проверки по отдельности (чтобы иметь возможность использовать все доступные испытания для каждой оценочной проверки).
Важно подчеркнуть, что количество доступных выборок данных для обучения моделей (т. Е. Обучающих экземпляров) сильно изменилось при усреднении разного количества испытаний. Это потенциально проблематично, учитывая, что машинное обучение очень чувствительно к размеру выборки обучающего набора данных.В принципе, модели могут научиться большему при увеличении размера обучающей выборки, что может привести к более высокой производительности. Чтобы смягчить эту проблему, мы явно рассмотрели размер набора данных как фактор статистического анализа, вычислив эмпирические уровни вероятности на основе количества экземпляров в каждой задаче классификации (большее количество усредненных испытаний означает меньшее количество экземпляров). Результаты для каждой задачи классификации основывались на разнице между ее выполнением и эмпирическими уровнями вероятности, что позволяло беспристрастно сравнивать выполнение различных задач.Таким образом, наши результаты показывают, что эффективность классификации остается устойчивой в разном количестве испытаний. Кроме того, наши результаты показывают, что лучшая производительность была достигнута на моделях с меньшими обучающими наборами (усреднено большее количество испытаний). Это, скорее всего, связано с более высоким отношением сигнал / шум (SNR) этих усредненных сигналов и предполагает, что SNR может повлиять на результаты больше, чем размер обучающего набора.
Предлагаемая методология машинного обучения является многообещающим инструментом для разработки компьютеризированных инструментов (например,g., интерфейс мозг-компьютер), которые в сочетании с соответствующими инструментами для автоматической предварительной обработки необработанных сигналов могут применяться для изучения когнитивных процессов, имеющих центральное значение для выявления и дифференциации эмоциональных эпизодов. В частности, это дает потенциальную возможность исследовать мозг и эфферентные физиологические корреляты конкретных когнитивных процессов, связанных с эмоциями, и их применение для изучения механизмов, лежащих в основе (общих или патологических) эмоциональных реакций.В этом контексте мы показали, что машинное обучение предлагает жизнеспособные инструменты для отделения оценочных проверок от центральных физиологических сигналов, не требуя априорных решений об анализе записей ЭЭГ (например, выбор модели или интересующих каналов). Это большое преимущество по сравнению с более традиционными методами анализа ЭЭГ, поскольку для многих эмоциональных процессов конкретные психофизиологические маркеры еще не известны. Кроме того, мы показали, что надежная дискриминация также может быть достигнута с использованием сигналов ЭЭГ, усредненных только по небольшому количеству испытаний, что показывает потенциал для уменьшения усилий, связанных с длительными сеансами записи (которые часто неосуществимы с младенцами, детьми, или клинические группы населения) и сведение к минимуму возможных эффектов привыкания и обучения.Однако следует отметить, что в наших классификационных экспериментах с одиночными испытаниями и небольшим количеством усредненных испытаний сигналы были собраны в контексте длительного сеанса записи, и поэтому эффекты утомления, привыкания или обучения могут присутствовать в наши данные и могут противоречить выводам. Возможно, что эти эффекты замаскировали исследуемые оценочные эффекты, которые, в свою очередь, могут повлиять на извлеченные признаки и ограничить классификаторы для обнаружения соответствующих свойств сигналов, которые позволят провести успешную классификацию.Дальнейшие исследования необходимы, чтобы подтвердить, что наши результаты небольших пробных наборов действительно могут быть обобщены для экспериментов с коротким сеансом записи, в которых усталость и привыкание предположительно незначительны. Кроме того, важно отметить, что выводы об оптимальном количестве испытаний и электродов могут быть специфичными для применяемых поведенческих задач и не могут быть легко обобщены на другие типы экспериментальных парадигм, поскольку оптимальные значения могут отличаться, например из-за величины сигнала ЭЭГ относительно фонового шума или пространственных характеристик паттернов ЭЭГ.Кроме того, наборы данных, используемые в этом исследовании, включают относительно небольшое количество участников — большее количество будет необходимо, чтобы однозначно продемонстрировать масштабируемость предлагаемых методов для большего числа людей.
Текущая работа сосредоточена на идентификации временных физиологических паттернов в сигналах ЭЭГ и ЭМГ, связанных с последовательным характером оценочных проверок, прогнозируемых CPM, которые в будущем потенциально могут раскрыть больше информации о типе и интенсивности вызванной эмоции ( с).
Благодарности
Эта работа была поддержана ERC в 7-й рамочной программе Европейского сообщества в соответствии с соглашениями о грантах № 338164 (Стартовый грант iHEARu Бьорну Шуллеру) и 230331 (Продвинутый грант PROPEREMO Клаусу Р. Шереру), а также Европейским Исследовательская и инновационная программа Union Horizon 2020 в рамках грантового соглашения № 645378 (ARIA-VALUSPA). Мы хотели бы поблагодарить Флориана Эйбена за его вклад в извлечение признаков на ранних этапах этого исследования.
Отчет о финансировании
Эта работа была поддержана ERC в 7-й рамочной программе Европейского сообщества в соответствии с соглашениями о грантах № 338164 (Стартовый грант iHEARu Бьорну Шуллеру) и 230331 (Расширенный грант PROPEREMO Клаусу Р. Шереру), а также Программа исследований и инноваций Европейского Союза Horizon 2020 в рамках грантового соглашения № 645378 (ARIA-VALUSPA). Мы хотели бы поблагодарить Флориана Эйбена за его вклад в извлечение признаков на ранних этапах этого исследования.
Список литературы
7. Moors A, Ellsworth PC, Scherer KR, Frijda NH. Оценочные теории эмоций: современное состояние и будущее развитие. Обзор эмоций. 2013. 5 (2): 119–124. DOI: 10.1177 / 17540738165 [Google Scholar] 8. Ellsworth PC, Scherer KR. Процессы оценки в эмоциях. В: Голдсмит Х., Дэвидсон Р.Дж., Шерер К.Р., редакторы. Справочник по аффективным наукам. Нью-Йорк: издательство Оксфордского университета; 2003. с. 572–595. [Google Scholar] 9. Экман П. Основные эмоции // Dalgleish T, Power T, ред.Справочник познания и эмоций. Сассекс: John Wiley & Sons, Ltd .; 1999. стр. 45–60. [Google Scholar] 12. Scherer KR. Природа и динамика оценок релевантности и валентности: теоретические достижения и недавние данные. Обзор эмоций. 2013. 5 (2): 150–162. DOI: 10.1177 / 17540738166 [Google Scholar] 13. Кохави Р., Провост Ф. Глоссарий терминов. Машинное обучение. 1998. 30 (2-3): 271–274. [Google Scholar] 14. Саймон П. Слишком велик, чтобы игнорировать: экономическое обоснование больших данных. т. 72 Джон Уайли и сыновья; 2013.[Google Scholar] 17. ван Пер Дж. М., Гранджин Д., Шерер К. Р.. Последовательное развертывание оценок: свидетельство ЭЭГ о взаимодействии новизны и приятности. Эмоции. 2014; 14 (1): 51 DOI: 10.1037 / a0034566 [PubMed] [Google Scholar] 18. Генч К., Гранджин Д., Шерер К.Р. Временная динамика событийных потенциалов, связанных с целеустремленностью и оценками власти. Психофизиология. 2013. 50 (10): 1010–1022. [PubMed] [Google Scholar] 21. Perrin F, Pernier J, Bertrand O, Echallier J. Сферические сплайны для отображения потенциала и плотности тока кожи головы.Электроэнцефалография и клиническая нейрофизиология. 1989. 72 (2): 184–187. DOI: 10.1016 / 0013-4694 (89) -6 [PubMed] [Google Scholar] 22. Gratton G, Coles MG, Donchin E. Новый метод автономного удаления глазных артефактов. Электроэнцефалография и клиническая нейрофизиология. 1983; 55 (4): 468–484. [PubMed] [Google Scholar] 23. Делорм А., Макейг С. EEGLAB: набор инструментов с открытым исходным кодом для анализа динамики ЭЭГ в одном исследовании, включая анализ независимых компонентов. Журнал нейробиологических методов. 2004. 134 (1): 9–21.DOI: 10.1016 / j.jneumeth.2003.10.009 [PubMed] [Google Scholar] 26. Вапник В. Сущность теории статистического обучения. 2-е изд Берлин, Германия: Springer Science & Business Media; 2000. [Google Scholar] 27. Холл М., Фрэнк Э., Холмс Г., Пфарингер Б., Ройтеманн П., Виттен И. Программное обеспечение WEKA Data Mining: обновление. SIGKDD Explor Newsl. 2009. 11 (1): 10–18. DOI: 10.1145 / 1656274.1656278 [Google Scholar] 28. Platt JC. Последовательная минимальная оптимизация: быстрый алгоритм обучения машин опорных векторов Достижения в методах ядра — поддержка векторного обучения; 1998 г.[Google Scholar] 29. Лотте Ф., Конгедо М., Лекуйер А., Ламарш Ф., Арнальди Б. Обзор алгоритмов классификации для интерфейсов мозг-компьютер на основе ЭЭГ. Журнал нейронной инженерии. 2007; 4 (2): R1 DOI: 10.1088 / 1741-2560 / 4/2 / R01 [PubMed] [Google Scholar] 30. Беннетт К.П., Кэмпбелл С. Машины поддержки векторов: шумиха или аллилуйя? Информационный бюллетень Acm Sigkdd Explorations. 2000. 2 (2): 1–13. [Google Scholar] 31. Джайн А.К., Дуин Р.П., Мао Дж. Статистическое распознавание образов: обзор. IEEE Transactions по анализу образов и машинному интеллекту.2000. 22 (1): 4–37. DOI: 10.1109 / 34.824819 [Google Scholar] 34. Эйбен Ф., Шуллер Б. openSMILE: Мюнхенский крупномасштабный инструмент извлечения мультимедийных функций с открытым исходным кодом. ACM SIGMM Records. 2014; 6 (4). [Google Scholar] 35. Комбриссон Э., Джерби К. Случайное превышение уровня шанса: оговорка о теоретических уровнях шанса в классификации сигналов мозга и статистической оценке точности декодирования. Журнал нейробиологических методов. 2015 ;. DOI: 10.1016 / j.jneumeth.2015.01.010 [PubMed] [Google Scholar] 37. Delplanque S, Grandjean D, Chrea C, Coppin G, Aymard L, Cayeux I и др.Последовательное развитие оценок новизны и приятности запахов: данные электромиографии лица и вегетативных реакций. Эмоции. 2009; 9 (3): 316. DOI: 10.1037 / a0015369 [PubMed] [Google Scholar] 38. Aue T, Flykt A, Scherer KR. Первые доказательства дифференциальных и последовательных эфферентных эффектов релевантности стимула и оценки достижения цели. Биологическая психология. 2007. 74 (3): 347–357. DOI: 10.1016 / j.biopsycho.2006.09.001 [PubMed] [Google Scholar]% PDF-1.5 % 41 0 объект > эндобдж xref 41 102 0000000016 00000 н. 0000002389 00000 н. 0000003041 00000 н. 0000003271 00000 н. 0000003352 00000 п. 0000003472 00000 н. 0000003592 00000 н. 0000003672 00000 н. 0000003806 00000 н. 0000003860 00000 н. 0000003956 00000 н. 0000004041 00000 н. 0000004175 00000 н. 0000004229 00000 п. 0000004369 00000 п. 0000004476 00000 н. 0000004610 00000 н. 0000004663 00000 н. 0000004788 00000 н. 0000004919 00000 н. 0000005053 00000 н. 0000005106 00000 п. 0000005197 00000 н. 0000005330 00000 н. 0000005383 00000 п. 0000005550 00000 н. 0000005603 00000 п. 0000005656 00000 н. 0000005709 00000 п. 0000005880 00000 н. 0000005933 00000 н. 0000005986 00000 н. 0000006039 00000 н. 0000006191 00000 п. 0000006244 00000 н. 0000006297 00000 н. 0000006350 00000 н. 0000006449 00000 н. 0000006503 00000 н. 0000006615 00000 н. 0000006669 00000 н. 0000006723 00000 н. 0000006777 00000 н. 0000006831 00000 н. 0000006885 00000 н. 0000006967 00000 н. 0000007049 00000 н. 0000007148 00000 н. 0000007202 00000 н. 0000007256 00000 н. 0000007310 00000 н. 0000007613 00000 н. 0000008039 00000 н. 0000008340 00000 н. 0000009136 00000 п. 0000009482 00000 н. 0000010187 00000 п. 0000010879 00000 п. 0000011426 00000 п. 0000011928 00000 п. 0000012293 00000 п. 0000012989 00000 п. 0000013791 00000 п. 0000014026 00000 п. 0000014215 00000 п. 0000014270 00000 п. 0000014611 00000 п. 0000014666 00000 п. 0000015471 00000 п. 0000015539 00000 п. 0000015561 00000 п. 0000016505 00000 п. 0000016527 00000 н. 0000017317 00000 п. 0000018310 00000 п. 0000018332 00000 п. 0000019327 00000 п. 0000019349 00000 п. 0000020334 00000 п. 0000020356 00000 п. 0000021150 00000 п. 0000021496 00000 н. 0000022350 00000 п. 0000022372 00000 п. 0000023337 00000 п. 0000023359 00000 п. 0000024372 00000 п. 0000024394 00000 п. 0000032850 00000 п. 0000035070 00000 п. 0000041433 00000 п. 0000041512 00000 п. 0000041697 00000 п. 0000041949 00000 п. 0000045129 00000 п. 0000049346 00000 п. 0000052749 00000 н. 0000056371 00000 п. 0000056888 00000 п. 0000063465 00000 п. 0000002504 00000 н. 0000003019 00000 н. трейлер ] >> startxref 0 %% EOF 42 0 объект > эндобдж 141 0 объект > транслировать Hb«`f`X, ܷ & sd`PqT + [7p + xnneGzUX.== J’ku ~ mwy [m5n% jY @ (f1 (W
Оценка закона «О противодействии экстремистской деятельности»
% PDF-1.7 % 1 0 объект > эндобдж 6 0 obj > эндобдж 2 0 obj > транслировать 2018-03-10T12: 13: 06-08: 002018-03-10T12: 13: 06-08: 002018-03-10T12: 13: 06-08: 00Appligent pdfHarmony 2.0uuid: ee0c40b8-a820-11b2-0a00-782dad000000uuid : ee0d44ca-a820-11b2-0a00-50c46cbcfd7fapplication / pdf
CFO-Audit — аудит, бухгалтерский учет, юридическое сопровождение, оценка в Москве (Россия)
Каждую проблему клиента мы рассматриваем как свою личную задачу.
Мы не гонимся за прибылью, каждая наша работа уникальна и профессиональна.
Все наши решения идеальны, понятны и эффективны.
Обязательный аудит — ежегодный обязательный аудит состояния бухгалтерского учета и финансовой отчетности предприятия. Обязательный аудит должен проводиться независимой компанией в соответствии с Законом «Об аудиторской деятельности» от 30.12.2008 № 307-ФЗ.
Результатами обязательного и проактивного аудита компании-клиента станут:
- подробный отчет со списком обнаруженных ошибок, выводами и рекомендациями по их устранению, повышению эффективности деятельности предприятий, а также другими аспектами проверки;
- Примечание по вопросам, требующим особого внимания.
Бухгалтерский и налоговый учет, составление отчетности — самая рутинная, сложная и сложная составляющая любого бизнеса. Но это крайне важно. Небрежное отношение к бухгалтерскому учету обязательно негативно скажется на бизнесе. Особенность заключается в том, что ошибки в бухгалтерском учете почувствуют себя не сразу.
Доверив ведение бухгалтерского дела бизнесу, мы, ваш «тыл» будет защищен уходя!
Правосудие в сфере предпринимательской и иной экономической деятельности, осуществляемой третейскими судами.Необходимость обращения в суд может иметь несколько причин: неоправданные дополнительные налоги и сборы, невыполнение контрагентом обязательств, возложенных на него договорами, и т. Д. Но перед обращением в суд целесообразно досудебное урегулирование спора: можно найти другие на нашем сайте.
Оказываем услуги как по досудебному, так и по судебному разрешению экономических споров. Также мы готовы помочь вам зарегистрировать компанию, внести изменения в ЕГРЮЛ.
Под оценкой понимается род занятий субъектов оценочной деятельности, направленный на установление в отношении объектов оценки рыночной или иной стоимости.
В зависимости от целей оценки могут потребоваться различные методы оценки рыночной стоимости нематериальных, финансовых и оборотных средств и других активов и обязательств. Могут быть случаи как обязательной оценки в соответствии с Законом от 29.07.1998 № 135-ФЗ «Об оценочной деятельности в Российской Федерации», так и случаи, в которых целесообразно проведение добровольных оценок и экспертиз.
Лицензии и сертификаты
В4-1.2-02, Оценочный возраст и требования к использованию (07.07.2021)
ВведениеВ этом разделе содержится информация о следующем:
Возраст аттестации и требований к обновлению аттестации
После получения оценки недвижимость должна быть оценена в течение 12 месяцев до даты векселя и ипотеки.
Если дата вступления в силу первоначального отчета об оценке составляет более четырех месяцев, но менее 12 месяцев с даты векселя и ипотеки, оценщик должен выполнить обновление оценки, которое включает в себя осмотр внешнего вида собственности и обзор текущих рыночных данных для определить, снизилась ли стоимость собственности с даты первоначального отчета об оценке.Эта политика применяется независимо от того, была ли недвижимость оценена как предполагаемая или существующая конструкция. Обновление оценки должно произойти в течение четырех месяцев до даты векселя и ипотеки.
Первоначальный оценщик должен завершить обновление аттестации; однако кредиторы могут использовать альтернативных оценщиков. Когда обновления выполняются заменяющими оценщиками, замещающий оценщик должен просмотреть исходный отчет об оценке и выразить мнение о том, было ли первоначальное мнение оценщика о рыночной стоимости обоснованным на дату первоначального отчета об оценке.Кредитор должен указать в файле, почему не использовался первоначальный оценщик.
Проверка и результаты обновления оценки должны быть представлены в отчете об обновленной оценке и / или отчете о завершении (форма 1004D).
Если оценщик указывает в Форме 1004D, что стоимость собственности снизилась, то кредитор должен получить новую оценку собственности.
Если оценщик указывает в Форме 1004D, что стоимость собственности отклонена на , а не на , то кредитор может продолжить процесс получения ссуды, не требуя каких-либо дополнительных полевых работ.
Если дата вступления в силу первоначального отчета об оценке превышает 12 месяцев с даты векселя и ипотеки (с обновлением оценки или без нее), требуется новый отчет об оценке. За исключением определенных ссуд для финансирования строительства на постоянной основе с единовременным закрытием, эта политика применяется ко всем оценкам, включая те, которые получают представление об оценке и стоимости, а также освобождение от гарантий (см. B5-3.1-02, Преобразование финансирования строительства в постоянное финансирование: единовременное финансирование). -Закрытие транзакций).
Информацию об изменениях оценочной стоимости см. В B4-1.3-12, Обеспечение качества. См. B2-1.5-02, Право на получение ссуды, для получения информации о требованиях к оценке имущества для ипотечных ссуд, проданных Fannie Mae более чем через четыре месяца с даты выписки.
Многократная оценка объекта недвижимости
Если кредитор получает более одной оценки по ссуде в соответствии с применимым законодательством, нормативными актами, политикой кредитора или иным образом, кредитор должен
придерживается политики выбора наиболее надежной оценки, а не оценки, которая указывает наивысшее значение,
документально обосновать основания полагаться на оценку, а
представляет оценку, выбранную кредитором, через UCDP до поставки.
Эти требования также применяются, если кредитор считает оценку недостаточной (см. B4-1.3-12, Обеспечение качества).
Использование оценки для последующей операции
Fannie Mae позволит использовать оценку происхождения для последующей транзакции, если выполняются следующие требования:
Последующей транзакцией может быть только рефинансирование с ограниченным выводом средств.
Срок действия отчета об оценке должен быть менее 12 месяцев с даты примечания к последующей сделке.Если отчет об оценке превышает четыре месяца с даты векселя и ипотеки, то требуется обновление оценки. См. Предыдущий раздел «Возраст аттестации и требования к обновлению аттестации», где описаны требования для завершения аттестации.
Кредитор должен гарантировать, что недвижимость не подвергалась какой-либо существенной реконструкции, ремонту или ухудшению до такой степени, что улучшение или ухудшение состояния собственности может существенно повлиять на рыночную стоимость объекта недвижимости.