Нечеткий классификатор электроэнцефалограмм для интерфейса «мозг-компьютер»
Аннотация
В статье предложена нечеткая система для классификации электроэнцефалограмм (ЭЭГ), разработанная для асинхронного интерфейса «мозг-компьютер». Основной целью работы является исследование применимости методов нечеткой логики для классификации ЭЭГ, направленной на распознавание реальных и мысленных движений верхних конечностей. Предложенный подход к классификации ЭЭГ-сигналов основывается на методе извлечения признаков, который включает расчёт взаимной информации между каналами ЭЭГ после предобработки сигналов. Этот метод направлен на выявление значимых корреляций между сигналами, поступающими от различных зон мозга, что позволяет формировать векторы признаков, отражающие связь между каналами ЭЭГ. Нечеткий классификатор удалось построить для 72 % испытуемых для реальных движений и 48 % испытуемых для воображаемых движений. В ходе экспериментов было установлено, что средняя точность классификации составляет около 74 % для реальных движений и 60 % для движений, выполняемых мысленно. Наилучший результат для отдельного человека достигает 96 % и 71 % точности для реальных и мысленных движений соответственно. С использованием деревьев классификации был выполнен прогноз влияния параметров предобработки на эффективность системы. Было установлено, что наиболее значимыми предикторами являются частота децимации при предобработке сигналов ЭЭГ и количество бинов при расчете взаимной информации между каналами ЭЭГ как для реальных движений, так и для движений, выполняемых мысленно. Точность прогноза достигла 73 % и 86 % для реальных и воображаемых движений соответственно. Таким образом, предложенный метод представляется интересным с точки зрения анализа сигналов ЭЭГ и формирования признаков. Работа демонстрирует возможности нечеткой логики для создания интерфейсов «мозг-компьютер», однако указывает на необходимость дальнейших исследований в области оптимизации параметров предобработки и преобразования лингвистических шкал нечеткого классификатора для повышения точности и интерпретируемости системы.
Скачивания
Литература
2. Gordleeva S. Yu. [et al.] (2017) Exoskeleton control system based on motor-imaginary brain– computer interface. Sovremennye tehnologii v medicine [Modern Technologies in Medicine]. 9(3). P. 31–38. (in Russian). DOI
3. Kurkin S. A., Pitsik E. N. and Hramov A. E. (2019) Classifying electrical activity of the brain during imaginary movements of untrained subjects using artificial neural networks. Informatsionno-upravliaiushchie sistemy [Information and Control Systems]. (6). P. 77–84. (in Russian). DOI
4. Pavlenko D. V., Tataris Sh. E. and Ovcharenko V. V. (2024) Applying deep learning in brain-computer interfaces for motion recognition. Software & Systems. 37(2). P. 164–169 (in Russian). DOI
5. Stolbkov Yu. K. and Gerasimenkoa Yu. P. (2021) Cognitive Motor Rehabilitation: Imagination and Observation of Motor Actions. Human Physiology. 47(1). P. 123–132. (in Russian). DOI
6. Mokienko O. A. [et al.] (2013) Motor Imagery and its Practical Application. Journal of Higher Nervous Activity. 63(2). P. 195–204. (in Russian). DOI
7. Mokienko O. A. [et al.] (2016) Brain–Computer Interface: the First Clinical Experience in Russia. Human Physiology. 42(1). P. 31–39. (in Russian). DOI
8. Bragin A. D. and Spitsyn V. G. (2020) Motor imagery recognition in electroencephalograms using convolutional neural networks. Computer Optics. 44(3). P. 482–487. (in Russian). DOI
9. Runnova A. E. [et al.] (2017) Classification of motor activity patterns in EEG data. Russian Universities Reports. Mathematics. 22(5-2). P. 1127–1132. (in Russian). DOI
10. Altaheri H. [et al.] (2023) Deep learning techniques for classification of electroencephalogram (EEG) motor imagery (MI) signals: A review. Neural Computing and Applications. 35(20). P. 14681–14722. DOI
11. van Luijtelaar G [et al.]. (2016) Methods of automated absence seizure detection, interference bystimulation, and possibilities for prediction in genetic absence models. Journal of Neuroscience Methods. 260. P. 144–158. DOI
12. Koronovskii A. A. [et al.] (2016) Coexistence of intermittencies in the neuronal network of the epileptic brain. Physical Review E. 93, 032220. DOI
13. Grubov V. V. [et al.] (2016) Demonstration of brain noise on human EEG signals in perception of bistable images. Proceedings of SPIE. 9707, 97070Z. DOI
14. Hramov A. E. [et al.] (2015) Wavelets in neuroscience. Heidelberg, New York, Dordrecht, London. Springer.
15. Sonkin K. M. [et al.] (2014) Classification of electroencephalographic patterns of imagined and real movements by one hand fingers using the support vectors method. Pacific Medical Journal. 2. P. 30–35. (in Russian)
16. Miah A. S. M., Islam M. R. and Molla M. K. I. (2019) EEG classification for MI-BCI using CSP with averaging covariance matrices: An experimental study In Proceedings of the 2019 International Conference on Computer, Communication, Chemical, Materials and Electronic Engineering (IC4ME2) IEEE. Rajshahi, Bangladesh, 11–12 July 2019. P. 1–5. DOI
17. Gaur P. [et al.] (2021) A Sliding Window Common Spatial Pattern for Enhancing Motor Imagery Classification in EEG-BCI. IEEE Trans. Instrum. Meas. 70. P. 1–9. DOI
18. Saha S. K. [et al.] (2020) Motor Imagery EEG Signal Classification Using MWT-CSP for Online BCI Implementation. Int. J. Comput. Sci. Inf. Secur. (IJCSIS). 18. P. 124–130.
19. Geng X. [et al.] (2022) An improved feature extraction algorithms of EEG signals based on motor imagery brain-computer interface. Alexandria Engineering Journal. 61(6). P. 4807– 4820. DOI
20. Zvereva E. N. and Lebed’ko E. G. (2014) Sbornik primerov i zadach po osnovam teorii informacii i kodirovaniya soobshchenij [A collection of examples and tasks on the basics of information theory and message encoding]. SPb. : NRU ITMO. (in Russian).
21. Ledeneva T. (2020) Special aspects of the design of fuzzy inference mechanism. Proceedings – 2020 2nd International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency, SUMMA 2020.2. P. 128– 132. DOI
22. Moiseeva T. and Ledeneva T. (2023) Knowledge base generation based on fuzzy clustering. Programming and Computer Software. 49(1) Suppl. 2. P. S99–S107. DOI
23. Dickerson J. A. and Kosko B. (1996) Fuzzy function approximation with ellipsoidal rules. IEEE Transaction on fuzzy systems. 26(4). P. 542– 560. DOI
24. Sarin K. S. and Hodashinsky I. A. (2017) Informative features selection of fuzzy classifiers by the method of Chiu. Information Science and Control Systems. 53(3). P. 84–95. (in Russian). DOI
- Авторы сохраняют за собой авторские права и предоставляют журналу право первой публикации работы, которая по истечении 6 месяцев после публикации автоматически лицензируется на условиях Creative Commons Attribution License , которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).