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

1. Briko A.N., Kobelev A.V., Shchukin S.I. Electrodes interchangeability during electromyogram and bioimpedance joint recording // IEEE. 2018. P. 17–20.
2. Nicolas-Alonso L.F., Gomez-Gil J. Brain computer interfaces, a review // Sensors. 2012. № 2 (12). P. 1211–1279.
3. Brouwer A.-M., Erp J.B.F. Van A tactile P300 brain-computer interface // Frontiers in neuroscience. 2010. (4). P. 19.
4. 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.
5. 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.
6. Bulanov V.A., Zakharov A.V, Khivintseva E.V. Wavelet transform for the identification of P300. IOP Publishing, 2020. P. 52049.
7. 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.
8. Гнездицкий В.В. Вызванные потенциалы мозга в клинической практике. Таганрог: ТРТУ, 1997. 252 c.
9. 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.
10. Dmitriev A.N., Kotin V.V. Time series prediction of morbidity using artificial neural networks // Biomedical Engineering. 2013. № 1 (47). P. 43–45.
11. 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.
12. Rice L., Wong E., Kolter Z. Overfitting in adversarially robust deep learning // International Conference on Machine Learning. PMLR. 2020. P. 8093–8104.