Воронеж, Россия
Воронежская область, Россия
УДК 004.032.26 Нейронные сети
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»).
асинхронный интерфейс «мозг-компьютер», моторные образы, бинарная классификация, персептрон Розенблата, линейный дискриминантный анализ, сверточная нейронная сеть
1. 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
2. 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
3. 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.
4. 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.
5. 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
6. 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.
7. 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
8. 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
9. 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
10. 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].
11. 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
12. 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
13. Ruder S. An Overview of Gradient Descent Optimization Algorithms arXiv:1609.04747v2 [cs.LG] 15 Jun 2017 [Accessed 21st January 2026].
14. 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/
15. 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
