Использование искусственных нейронных сетей для классификации электрической активности головного мозга в процессе воображения движений у нетренированных испытуемых
Ключевые слова:
нейронные сети, интерфейс мозг-компьютер, электроэнцефалограмма, анализ сигналов ЭЭГ, мозговая активность, многослойный персептрон, радиальная базисная функция, метод опорных векторовАннотация
Введение: разработка новых методов классификации состояний электрической активности головного мозга человека, связанных с реальными и воображаемыми движениями нижними конечностями, является актуальной междисциплинарной задачей в сфере разработки интерфейсов мозг-компьютер. Одним из наиболее эффективных подходов к решению данной задачи является использование алгоритмов на основе искусственных нейронных сетей. Цель: разработка метода распознавания и классификации электроэнцефалографических паттернов, соответствующих воображаемым движениям группы нетренированных испытуемых, на основе искусственных нейронных сетей. Методы: рассмотрены классификаторы на основе линейных нейронных сетей, многослойных персептронов, сетей радиальных базисных функций, машин опорных векторов. Результаты: проведены работы по подбору оптимальных типа, топологии, алгоритмов обучения и параметров нейронной сети с точки зрения наиболее точного и быстрого распознавания и классификации паттернов многоканальных электроэнцефалографических сигналов, ассоциированных с воображением движений нижними конечностями. Изучено влияние количества и выбора анализируемых каналов многоканальной электроэнцефалограммы на качество распознавания воображаемых движений, получены оптимальные конфигурации расстановок электродов. Проведен анализ влияния предварительной обработки электроэнцефалографических сигналов на точность распознавания воображаемых движений. В результате вычислительного эксперимента была достигнута точность распознавания воображаемых движений порядка 90–95 % для нетренированных испытуемых, при этом сеть радиальных базисных функций демонстрирует наилучшую точность классификации. Помимо этого удалось значительно снизить размерность выборки данных, используемых при обучении и тестировании сети, — до 6–12 каналов без потери точности классификации. Практическая значимость: полученные результаты будут полезны для разработчиков алгоритмов распознавания сигналов электроэнцефалографии, соответствующих воображаемой моторной активности, для интерфейсов мозг-компьютер.
