Modeling of systems and processes Modeling of systems and processes Моделирование систем и процессов 2219-0767 120330 10.12737/2219-0767-2026-19-1-21-29 Технические науки Технические науки Efficiency of binary classification of motor images in human-machine interfaces using neural networks and optimization algorithms Эффективность бинарной классификации моторных образов в человеко-машинных интерфейсах с использованием нейронных сетей и алгоритмов оптимизации Журавлев Дмитрий Владимирович Zhuravlev Dmitry V. ddom1@yandex.ru

кандидат технических наук;

candidate of technical sciences;

 Калач Андрей Владимирович Kalach Andrey Vladimirovich

доктор химических наук;

doctor of chemical sciences;

 ФГБОУ ВО «Воронежский государственный технический университет» Воронеж Россия Voronezh State Technical University Voronezh Russian Federation Воронежский институт ФСИН России Voronezh Institute of the Federal Penal Service 24 04 2026 24 04 2026 19 1 21 29 08 04 2026 https://zh-szf.ru/en/nauka/article/120330/view

Разработан малогабаритный программно-аппаратный комплекс на основе нейрогарнитуры с электродами «сухого» типа и беспроводной передачей данных. Комплекс предназначен для формирования управляющих воздействий от оператора с одновременным мониторингом его функционального состояния в режиме реального масштаба времени и предусматривает возможность интеграции в сложные технологические системы. Приведены результаты исследования эффективности бинарной классификации моторных образов оператора с помощью нескольких классификаторов, действующих в комбинации с разными алгоритмами оптимизации. Исследованы особенности работы классификаторов: персептрон Розенблата, линейный дискриминантный анализ, сверточная нейронная сеть. Предложена архитектура классификатора на основе сверточной нейронной сети типа ResNet, состоящей из восемнадцати повторяющихся между собой макро-слоев. С применением метрик Accuracy (Достоверность/Точность), Precision (Точность/Прецизионность), Recall (Полнота), F1-score (F1-мера) проанализировано влияния различных алгоритмов оптимизации (адаптивной оценки моментов, Левенберга-Марквардта с предложенной модернизацией, стохастического градиентного спуска, Бройдена - Флетчера - Гольдфарба - Шанно) на результаты классификаций. Наилучший результат в режиме «онлайн» показала комбинация классификатора на основе сверточной нейронной сети и алгоритма адаптивной оценки моментов. Классификация по метрике Accuracy составила ~ 66 %. Отмечено, что полученные показатели превосходят типичные результаты для мобильных портативных интерфейсов «мозг-компьютер», работающих в режиме реального масштаба времени («онлайн»).

A compact hardware and software system based on a neuroheadset with dry electrodes and wireless data transmission developed. The system designed to generate control inputs from the operator while simultaneously monitoring their functional state in real time and integrated into complex technological systems. The results of a study on the effectiveness of binary classification of operator motor patterns using several classifiers operating in combination with different optimization algorithms presented. The following classifiers analyzed Rosenblatt perceptron, linear discriminant analysis, and convolutional neural network. A classifier architecture based on a ResNet-type convolutional neural network consisting of eighteen repeating macrolayers is proposed. Using the Accuracy, Precision, Recall, and F1-score metrics, we analyzed the impact of various optimization algorithms (adaptive moment estimation, Levenberg-Marquardt with the proposed upgrade, stochastic gradient descent, and Broyden-Fletcher-Goldfarb-Shanno) on classification results. The best online performance demonstrated by a combination of a convolutional neural network-based classifier and the adaptive moment estimation algorithm. The classification success rate using the Accuracy metric was approximately 66%. The obtained results found to exceed typical results for mobile handheld brain-computer interfaces operating in real-time (online).

 асинхронный интерфейс «мозг-компьютер» моторные образы бинарная классификация персептрон Розенблата линейный дискриминантный анализ сверточная нейронная сеть asynchronous brain-computer interface motor images binary classification Rosenblatt perceptron linear discriminant analysis convolutional neural network

Suryotrisongko H., Samopa F. Evaluating openbci spiderclaw v1 headwear's electrodes placements for brain-computer interface (BCI) motor imagery application // Procedia Computer Science. 2015. V. 72. P. 398-405. https://www.doi.org/10.1016/j.procs.2015.12.155 Suryotrisongko H., Samopa F. Evaluating openbci spiderclaw v1 headwear's electrodes placements for brain-computer interface (BCI) motor imagery application // Procedia Computer Science. 2015. V. 72. P. 398-405. https://www.doi.org/10.1016/j.procs.2015.12.155 Капралов Н.В., Нагорнова Ж.В., Шемякина Н.В. Методы классификации ЭЭГ-паттернов воображаемых движений // Информатика и автоматизация. 2021. Т. 20(1). С. 94-132. https://www.doi.org/10.15622/ia.2021.20.1.4 Kapralov N. V., Nagornova Z. V., Shemyakina N. V. Classification methods for EEG patterns of imaginary movements // Informatics and Automation. 2021. V. 20(1). P. 94-132. (In Russ.). Голубинский А. Н., Толстых А. А. О применении сверточных нейронных сетей для классификации моторики на основе сигналов ЭЭГ интерфейса мозг-компьютер // Наукосфера. 2021. Т. 2-1. С. 85-88. Golubinskii A. N., Tolstikh A. A. O primenenii svertochnikh neironnikh setei dlya klassifikatsii motoriki na osnove signalov EEG interfeisa mozg-kompyuter // Naukosfera. 2021. T. 2-1. S. 85-88. Павленко Д. В., Татарис Ш. Э., Овчаренко В. В. Применение глубокого обучения в интерфейсах мозг–компьютер для распознавания движений // Программные продукты и системы. 2024. Т. 37(2). С. 164-169. Pavlenko D. V., Tataris Sh. E., Ovcharenko V. V. Primenenie glubokogo obucheniya v interfeisakh mozg–kompyuter dlya raspoznavaniya dvizhenii // Programmnie produkti i sistemi. 2024. T. 37(2). S. 164-169. Echtioui A., Mlaouah A., Zouch W., Ghorbel M., Mhiri C., Hamam H. A novel convolutional neural network classification approach of motor-imagery EEG recording based on deep learning. Applied Sciences. 2021; 11(21): 9948. https://www.doi.org/10.3390/app11219948 Echtioui A., Mlaouah A., Zouch W., Ghorbel M., Mhiri C., Hamam H. A novel convolutional neural network classification approach of motor-imagery EEG recording based on deep learning. Applied Sciences. 2021; 11(21): 9948. https://www.doi.org/10.3390/app11219948 Журавлев Д.В., Голубинский А.Н., Толстых А.А. Разработка методики настройки параметров интерфейсов «мозг-компьютер» для проведения экспериментов по классификации моторных образов в программе OpenVibe // Биомедицинская радиоэлектроника. 2025. Т. 28(3). С. 15-30. Zhuravlev D.V., Golubinsky A.N., Tolstykh A.A. Development of a methodology for setting parameters of brain-computer interfaces for conducting experiments on classification of motor images in the OpenVibe program // Biomedical radio electronics. 2025. Vol. 28(3). pp. 15-30.Chi J., Needell D. Linear Discriminant Analysis with the Randomized Kaczmarz Method // SIAM Journal on Matrix Analysis and Applications. 2025. V. 46. P. 94-120. https://www.doi.org/10.1137/23M155493X Chi J., Needell D. Linear Discriminant Analysis with the Randomized Kaczmarz Method // SIAM Journal on Matrix Analysis and Applications. 2025. V. 46. P. 94-120. https://www.doi.org/10.1137/23M155493X Chi J., Needell D. Linear Discriminant Analysis with the Randomized Kaczmarz Method // SIAM Journal on Matrix Analysis and Applications. 2025. V. 46. P. 94-120. https://www.doi.org/10.1137/23M155493X Ji L., Wei Z., Hao J., Wang C. An intelligent diagnostic method of ECG signal based on Markov transition field and a ResNet // Computer Methods and Programs in Biomedicine. 2023. V. 242(7). P. 107784. https://www.doi.org/10.1016/j.cmpb.2023.107784 Ji L., Wei Z., Hao J., Wang C. An intelligent diagnostic method of ECG signal based on Markov transition field and a ResNet // Computer Methods and Programs in Biomedicine. 2023. V. 242(7). P. 107784. https://www.doi.org/10.1016/j.cmpb.2023.107784 Nawi N. M., Ransing M. R., Ransing R. S. An improved learning algorithm based on the Broyden-Fletcher-Goldfarb-Shanno (BFGS) method for back propagation neural networks // Sixth International Conference on Intelligent Systems Design and Applications (IEEE). 2006. P. 152-157. https://www.doi.org/10.1109/ISDA.2006.95 Nawi N. M., Ransing M. R., Ransing R. S. An improved learning algorithm based on the Broyden-Fletcher-Goldfarb-Shanno (BFGS) method for back propagation neural networks // Sixth International Conference on Intelligent Systems Design and Applications (IEEE). 2006. P. 152-157. https://www.doi.org/10.1109/ISDA.2006.95 Miconi T. Hebbian learning with gradients: Hebbian convolutional neural networks with modern deep learning frameworks. arXiv. URL: https://arxiv.org/abs/2107.01729 [Accessed 21st January 2026]. Miconi T. Hebbian learning with gradients: Hebbian convolutional neural networks with modern deep learning frameworks. arXiv. URL: https://arxiv.org/abs/2107.01729 [Accessed 21st January 2026]. Rubio J. de J. Stability Analysis of the Modified Levenberg-Marquardt Algorithm for the Artificial Neural Network Training // IEEE Transactions on Neural Networks and Learning Systems. 2021. V. 32(8). P. 3510-3524. https://www.doi.org/10.1109/TNNLS.2020.3015200 Rubio J. de J. Stability Analysis of the Modified Levenberg-Marquardt Algorithm for the Artificial Neural Network Training // IEEE Transactions on Neural Networks and Learning Systems. 2021. V. 32(8). P. 3510-3524. https://www.doi.org/10.1109/TNNLS.2020.3015200 Пантелеев А.В., Лобанов А.В. Градиентные методы оптимизации в машинном обучении идентификации параметров динамических систем // Моделирование и анализ данных. 2019. V. 9(4). P. 88-99. https://doi.org/10.17759/mda.2019090407 Panteleev A.V., Lobanov A.V. Gradient optimization methods in machine learning for dynamic system parameter identification // Data modeling and analysis. 2019. V. 9(4). P. 88-99. https://doi.org/10.17759/mda.2019090407 Ruder S. An Overview of Gradient Descent Optimization Algorithms arXiv:1609.04747v2 [cs.LG] 15 Jun 2017 [Accessed 21st January 2026]. Ruder S. An Overview of Gradient Descent Optimization Algorithms arXiv:1609.04747v2 [cs.LG] 15 Jun 2017 [Accessed 21st January 2026]. Floudas C.A., Pardalos P.M., Adjimann C.S., Esposito W.R., Gumus Z.H., Harding S.T., Schweiger C.A. Handbook of test problems in local and global optimization. 1999. V. 67. Springer US. 442 p. https://titan.princeton.edu/TestProblems/ Floudas C.A., Pardalos P.M., Adjimann C.S., Esposito W.R., Gumus Z.H., Harding S.T., Schweiger C.A. Handbook of test problems in local and global optimization. 1999. V. 67. Springer US. 442 p. https://titan.princeton.edu/TestProblems/ Tjoa I.–B., Biegler L.T. Simultaneous solution and optimization strategies for parameter estimation of differential–algebraic equation systems // Industrial & Engineering Chemistry Research. 1991. V. 30(2). P. 376-385. https://doi.org/10.1021/ie00050a015 Tjoa I.–B., Biegler L.T. Simultaneous solution and optimization strategies for parameter estimation of differential–algebraic equation systems // Industrial & Engineering Chemistry Research. 1991. V. 30(2). P. 376-385. https://doi.org/10.1021/ie00050a015