Д.В. Журавлев1, А.Н. Голубинский2, А.А. Толстых3, А.А. Резниченко4

1,4 Воронежский государственный технический университет (г. Воронеж, Россия)
2 Институт проблем передачи информации им. А.А. Харкевича РАН (Москва, Россия)
3ООО «РТК» (Москва, Россия)
1 ddom1@yandex.ru, 2 annikgol@mail.ru, 3 tolstykh.aa@yandex.ru, 4andrei.reznichencko2017@yandex.ru

Постановка проблемы. В настоящее время не существует каких-либо единых рекомендаций по настройке как регистрирующей аппаратуры, так и программной части для обеспечения единства измерений и повышенной точности классификаций в задачах распознавания моторных образов. Однако повышение точности и постоянства классификаций – основная цель всех исследований в данной области, независимо от используемой аппаратуры регистрации и программного обеспечения.

Цель. Разработать единую методику настройки параметров интерфейсов «мозг-компьютер» для обеспечения единства измерений и максимально возможных значений точностей классификации моторных образов.

Результаты. Исследовано влияние локализации электродов и их количества на точность классификации моторных образов. На основании проведенных экспериментов было установлено, что при расположении референтного электрода в центральной части головы, количество пар электродов для достижения наивысших показателей точности классификации должно составлять от 3 до 5. Также исследовано влияние частотного диапазона регистрации ЭЭГ на точность классификации. Установлено, что максимальная амплитуда десинхронизирующихся во время подготовки и выполнения двигательного акта колебаний
β-ритма находятся в полосе частот 19–31 Гц. Проведено исследование влияния трех алгоритмов машинного обучения на показатели точностей классификации. Сформированы оптимальные параметры настройки классификаторов. Выявлено, что максимальное среднее значение точности классификации составило 67,37% при применении классификатора, построенного на основе метода линейного дискриминантного анализа (LDA). Максимальное пиковое значение точности классификации –74,90%. Отмечено, что при использовании сторонней базы данных средняя точность классификации – 73,44%, что показывает правильность сформулированных в методике рекомендаций.

Практическая значимость. Представленная методика будет полезна широкому кругу исследователей и разработчиков интерфейсов «мозг-компьютер» благодаря тому, что настройка аппаратуры занимает гораздо меньше времени. Это позволит сосредоточиться на основной задаче исследований в данной области – созданию архитектуры универсального классификатора, обеспечивающего повышенную точность классификации.

Журавлев Д.В., Голубинский А.Н., Толстых А.А., Резниченко А.А. Разработка методики настройки параметров интерфейсов «мозг-компьютер» для проведения экспериментов по классификации моторных образов в программе OpenVIBE // Биомедицинская радиоэлектроника. 2025. T. 28. № 3. С. 15−30. DOI: https://doi.org/10.18127/j15604136-202503-02

1. Официальный сайт проекта OpenBCI. URL: https://openbci.com (дата обращения: 11.09.2024).
2. Официальный сайт проекта OpenVIBE. URL: https://openvibe.inria.fr. (дата обращения: 11.09.2024).
3. Renard Y., Lotte F., Gibert G., Congedo M., Maby E., Delannoy V., Bertrand O. Lécuyer A. OpenViBE: An Open-Source Software Platform to Design, Test and Use Brain-Computer Interfaces in Real and Virtual Environments. Presence Teleoperators & Virtual Environments. 2010. V. 19. № 1. P. 35–53.
4. Pfurtscheller G., Neuper C. Motor imagery and direct brain-computer communication. Proceedings of the IEEE. 2001. V. 89. № 1. P. 1123–1134.
5. Brodu N., Lotte F., Lécuyer A. Exploring Two Novel Features for EEG-based Brain-Computer Interfaces: Multifractal Cumulants and Predictive Complexity. Neurocomputing. 2010. V. 79. № 2. P. 87–94.
6. Ahirwal M., Londhe N. Offline Study of Brain Computer Interfacing for Hand Movement Using OpenVIBE. Proceedings of 2011 International Conference on Process Automation, Control and Computing (PACC 2011). 2011. P. 1–5.
7. Gaur P., Pachori R.B., Wang H., Prasad G. Enhanced motor imagery classification in EEG-BCI using multivariate EMD based filtering and CSP features. International Brain-Computer Interface (BCI) Meeting. 2016. P. 1–8.
8. Kirar J.S., Agrawal R.K. Relevant Feature Selection from a Combination of Spectral-Temporal and Spatial Features for Classification of Motor Imagery EEG. Journal of medical systems. 2018. V. 42. № 78. P. 1–15.
9. Guo Y., Zhang Y., Chen Z., Liu Yi., Chen W. EEG classification by filter band component regularized common spatial pattern for motor imagery. Biomedical Signal Processing and Control. 2020. V. 59.
10. Selim S., Tantawi M., Shedeed H., Badr A. A Comparative Analysis of Different Feature Extraction Techniques for Motor Imagery Based BCI System. Proceedings of the International Conference on Artificial Intelligence and Computer Vision (AICV2020). 2020. P. 740–749.
11. Капралов Н.В., Нагорнова Ж.В., Шемякина Н.В. Методы классификации ЭЭГ-паттернов воображаемых движений // Информатика и автоматизация. 2021. Т. 20. № 1. C. 94–133.
12. Kabir M., Mahmood S., Shiam A.A., Miah A.S. M., Shin J., Molla M.K. Investigating Feature Selection Techniques to Enhance the Performance of EEG-Based Motor Imagery Tasks Classification. Mathematics. 2023. V. 11. № 8. 1921. P. 1–19.
13. Wang J., Jiang W., Kim J. A novel ECG and EEG classification system based on nonlinear statistical features. Fractals. 2023. V. 31. № 07.
14. Nambiar A., Sivakumar R., Subramaniam S. Detection of Four Class Motor Imagery from EEG Signal for Brain-Computer Interface Applications. Applied Mathematics, Modeling and Computer Simulation. 2023. V. 42. P. 881–894.
15. Kabir M.H., Akhtar N.I., Tasnim N., Miah A.S.M., Lee H.-S., Jang S.-W., Shin J. Exploring Feature Selection and Classification Techniques to Improve the Performance of an Electroencephalography-Based Motor Imagery Brain-Computer Interface System. Sensors. 2024. V. 24. № 15. P. 4989.
16. Lu Y., Wang W., Lian B., He C. Feature Extraction and Classification of Motor Imagery EEG Signals in Motor Imagery for Sustainable Brain–Computer Interfaces. Sustainability. 2024. V. 16. № 15. P. 6627.
17. Tayeb Z., Fedjaev J., Ghaboosi N., Richter C., Everding L., Qu X., Wu Y., Cheng G., Conradt J. Validating Deep Neural Networks for Online Decoding of Motor Imagery Movements from EEG Signals. Sensors. 2019. V. 19. № 1. P. 210.
18. Куркин С.А., Пицик Е.Н., Храмов А.Е. Использование искусственных нейронных сетей для классификации электрической активности головного мозга в процессе воображения движений у нетренированных испытуемых // Информационно-управляющие системы. 2019. № 6. C. 77–84.
19. Mane R., Robinson N., Vinod A.P., Lee S.-W., Guan C. A Multi-view CNN with Novel Variance Layer for Motor Imagery Brain Computer Interface. 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). 2020. P. 2950–2953.
20. 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. Appl. Sci. 2021. V. 11. № 21. P. 9948.
21. Uyulan C. Development of LSTM&CNN based hybrid deep learning model to classify motor imagery tasks. Communications in Mathematical Biology and Neuroscience. 2021. Article ID. 4. P. 1–26.
22. Bafana S. Applying Dimensionality Reduction as Precursor to LSTM-CNN Models for Classifying Imagery and Motor Signals in ECoG-Based BCIs. arXiv.org. 2023. URL: http://arxiv.org/abs/2311.13507 (дата обращения: 17.09.2024).
23. Aung H. W., Li J. J., An Y., Su S. W. EEG_GLT-Net: Optimising EEG Graphs for Real-time Motor Imagery Signals Classification. arXiv.org. 2024. URL: http://arxiv.org/abs/2404.11075 (дата обращения: 17.09.2024).
24. Aung H. W., Li J. J., An Y., Su S. W. EEG_RL-Net: Enhancing EEG MI Classification through Reinforcement Learning-Optimised Graph Neural Networks. arXiv.org. 2024. URL: http://arxiv.org/abs/2405.00723 (дата обращения: 17.09.2024).
25. Han J., Wei X., Faisal A. A. EEG decoding for datasets with heterogenous electrode configurations using transfer learning graph neural networks. arXiv.org. 2023. URL: http://arxiv.org/abs/2306.13109 (дата обращения: 17.09.2024).
26. Xiong X., Su L., Huang J., Kang G. Enhancing Motor Imagery Decoding in Brain Computer Interfaces using Riemann Tangent Space Mapping and Cross Frequency Coupling. arXiv.org. 2023. URL: http://arxiv.org/abs/2310.19198 (дата обращения: 18.09.2024).
27. Ai Y., Rajendran B. A Convolutional Spiking Network for Gesture Recognition in Brain-Computer Interfaces. arXiv.org. 2023. URL: http://arxiv.org/abs/2304.11106 (дата обращения: 19.09.2024).
28. Salami A., Andreu-Perez J., Gillmeister H. EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery Classification. arXiv.org. 2023. URL: http://arxiv.org/abs/2204.06947 (дата обращения: 19.09.2024)
29. Lopez-Bernal D., Balderas D., Ponce P., Molina A. Exploring inter-trial coherence for inner speech classification in EEG-based brain-computer interface. Journal of Neural Engineering. 2024. V. 21. № 2. P. 1–14.
30. Xue K., Yang J., Yao F. Optimal Linear Discriminant Analysis for High-Dimensional Functional Data. Journal of the American Statistical Association. 2023. V. 119. P. 1055–1064.
31. Le C.V. A Comment on Hansen’s Risk of James-Stein and Lasso Shrinkage. Prediction and Causality in Econometrics and Related Topics. 2021. P. 434–445.
32. Gupta D., Gupta U., Sarma H. Functional iterative approach for Universum-based primal twin bounded support vector machine to EEG classification (FUPTBSVM). Multimedia Tools and Applications. 2023. V. 83. № 8. P. 1–33.
33. Hazarika D., Gupta D., Kumar B. EEG Signal Classification Using a Novel Universum-Based Twin Parametric-Margin Support Vector Machine. Cognitive Computation. 2023. V. 16. P. 2047–2062.
34. Ganaie M., Tanveer M., Jangir J. EEG signal classification via pinball universum twin support vector machine. Annals of Operations Research. 2022. V. 328. P. 451–492.
35. Ferreira S., Silveira A., Pereira A. EEG-Based Motor Imagery Classification Using Multilayer Perceptron Neural Network. Proceedings of the XXVII Brazilian Congress on Biomedical Engineering (CBEB 2020). 2022. P. 1873–1878.
36. Li P., Liu Y., Cai W., Liu X. MAC: Epilepsy eeg signal recognition based on the mlp-self-attention model and cosine distance. Journal of Mechanics in Medicine and Biology. 2024. V. 24. № 2. P. 1–17.
37. Halnes G., Ness T.V., Næss S., Hagen E., Pettersen K.H., Einevoll G.T. Electric Brain Signals: Foundations and Applications of Biophysical Modeling. Cambridge University Press. 2024. 379 p.