Применение глубокого обучения в интерфейсах мозг–компьютер для распознавания движений
Д.В. Павленко, D.V. Pavlenko,, S. E. Tataris et al. · Международный журнал Программные продукты и системы · 2024
Аннотация.Перспективными направлениями применения машинного обучения являются анализ электроэнцефалограммы (ЭЭГ) и разработка нейроинтерфейсов, которые служат для помощи людям с ограниченными возможностями, а также в реабилитационных процедурах.Использование искусственных нейронных сетей позволяет значительно упростить разработку подобных устройств.Нейросети дают возможность автоматически выделять паттерны ЭЭГ, связанные с определенными состояниями, и проводить сложную обработку сигнала в режиме реального времени.Важным аспектом при создании нейроинтерфейсов является разработка программного обеспечения, способного детектировать и классифицировать движения пользователя.В рамках данного исследования решались задачи классификации паттернов сенсомоторных ритмов ЭЭГ, которые связаны с воображаемыми и реальными произвольными движениями верхних конечностей.Была разработана модель по аналогии с архитектурой модели EEGNet.Данная модель предназначена для анализа ЭЭГ в режиме реального времени с отечественного энцефалографа NVX52.Для этой цели были собраны два датасета с записями здоровых людей с использованием неполной международной схемы наложения электродов 10-10, которая включала в себя 32 канала.В ходе исследования удалось достичь точности классификации ряда воображаемых движений до 80 %, распознавания признаков реальных движений до 78 % и превысить показатели распознавания
Cited by 2 works. doi:10.15827/0236-235x.146.164-169
Authors
References
- Deep learning with convolutional neural networks for EEG decoding and visualization
- Cross-session classification of mental workload levels using EEG and an adaptive deep learning model
- Filter Bank Regularized Common Spatial Pattern Ensemble for Small Sample Motor Imagery Classification
- A review of critical challenges in MI-BCI: From conventional to deep learning methods
- Classification of motor imagery EEG using deep learning increases performance in inefficient BCI users
- How to successfully classify EEG in motor imagery BCI: a metrological analysis of the state of the art
- Real World BCI
- Cortically Coupled Computing: A New Paradigm for Synergistic Human-Machine Interaction
- Brain-Computer Interfaces Systems for Upper and Lower Limb Rehabilitation: A Systematic Review
- Sensorimotor Rhythm-Based Brain–Computer Interfaces for Motor Tasks Used in Hand Upper Extremity Rehabilitation after Stroke: A Systematic Review