Н. Хаддад1, М.В. Деркач2, А.Н. Дмитриев3, И.К. Сергеев4, С.И. Щукин5
1–5 МГТУ им. Н.Э. Баумана (Москва, Россия)
Постановка проблемы. Интерфейс мозг-компьютер (ИМК) на основе потенциала Р300 позволяет пациентам с двигательными нарушениями увеличить качество жизни. Эффективное обнаружение Р300 значимо для точной работы ИМК. В качестве классификаторов активно применяются методы машинного обучения, качество классификации которых зависит от признаков P300, чувствительных к параметрам стимуляции.
Цель работы – исследование параметров стимуляции на характеристики потенциала Р300 для увеличения точности детекции команды на основе ИМК.
Результаты. Проведен корреляционный анализ между ответами на целевые и нецелевые стимулы и вейвлетом Морле, анализ характеристик P300 с использованием машинного обучения. Повышение точности классификации достигнуто с использованием корреляционной функции. Установлено, что параметры вейвлета должны выбираться индивидуально для каждого участника.
Практическая значимость. Учет индивидуальных параметров испытуемого для выбора вейвлета Морле и использование корреляции, как признака Р300, позволяет повысить точность классификации целевого стимула для улучшения уровня жизни пациентов с двигательными нарушениями.
Хаддад Н., Деркач М.В., Дмитриев А.Н., Сергеев И.К., Щукин С.И. Выбор признаков сигнала Р300 на основе машинного обучения и применения вейвлета Морле для приложений ИМК // Биомедицинская радиоэлектроника. 2021. Т. 24. № 5. С. 17–29. DOI: 10.18127/j15604136-202105-03
- Briko A.N., Kobelev A.V., Shchukin S.I. Electrodes interchangeability during electromyogram and bioimpedance joint recording // IEEE. 2018. P. 17–20.
- Nicolas-Alonso L.F., Gomez-Gil J. Brain computer interfaces, a review // Sensors. 2012. № 2 (12). P. 1211–1279.
- Brouwer A.-M., Erp J.B.F. Van A tactile P300 brain-computer interface // Frontiers in neuroscience. 2010. (4). P. 19.
- Ганин И.П., Ким С.А., Либуркина С.П., Галкина Н.В., Лужин А.О., Майорова Л.А., Малюкова Н.Г., Шкловский В.М., Каплан А.Я. Набор текста пациентами с постинсультной афазией в комплексе «Нейрочат» на основе технологии интерфейсов мозгкомпьютер на волне P300 // Журнал высшей нервной деятельности им. И.П. Павлова. 2020. № 4 (70). C. 435–445.
- Dmitriev A.N, Al-harosh M., Sergeev I.K., Nicolaev A. The optimal stimulation mode and the number of averaging epochs selection for P300 detection. 2018 Ural Symposium on Biomedical Engineering // Radioelectronics and Information Technology (USBEREIT). 2018. P. 91–94.
- Bulanov V.A., Zakharov A.V, Khivintseva E.V. Wavelet transform for the identification of P300. IOP Publishing, 2020. P. 52049.
- Manyakov N.V., Chumerin N., Combaz A., Van Hulle M.M. Comparison of classification methods for P300 brain-computer interface on disabled subjects // Computational intelligence and neuroscience. 2011. (2011). P. 519868.
- Гнездицкий В.В. Вызванные потенциалы мозга в клинической практике. Таганрог: ТРТУ, 1997. 252 c.
- Hanley J.A., McNeil B.J. The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology. 1982. № 1 (143). P. 29–36.
- Dmitriev A.N., Kotin V.V. Time series prediction of morbidity using artificial neural networks // Biomedical Engineering. 2013. № 1 (47). P. 43–45.
- Дмитриев А.Н., Курганова А.В., Сергеев И.К., Щукин С.И. Применение алгоритмов удаления артефакта моргания при детекции P300 для задач реабилитации пациентов с парезами: пилотное исследование на здоровых испытуемых // Биомедицинская радиоэлектроника. 2018. № 10. C. 15–24.
- Rice L., Wong E., Kolter Z. Overfitting in adversarially robust deep learning // International Conference on Machine Learning. PMLR. 2020. P. 8093–8104.