Данная работа посвящена разработке программы управления робототехническим агентом с использованием интерфейса мозг-компьютер, основанного на классификации сигналов P300. В процессе решения был написан код классификатора на языке программирования Python и код управления роботом Arduino. Был предложен и исследован метод классификации необходимой волны P300 на электроэнцефалографической картине с помощью спайковой нейронной сети. Предложенный метод позволил исключить трудности, связанные с обучением спайковой нейронной сети на нейронах Ижикевича, что является актуальной задачей. Особенностью данного метода является обучение спайкового классификатора с использованием однослойного персептрона с дальнейшей заменой в уже обученной методом обратного распространения ошибки искусственной нейронной сети формальных нейронов на математические модели био-инспинированных нейронов Ижикевича. С целью качественного переноса процессов, протекающих в персептроне на спайковую сеть из моделей нейронов Ижикевича, модель Ижикевича была модифицирована. Точность полученного бинарного классификатора для нахождения необходимой волны P300 составляла 87±5%, а также в большинстве экспериментов полученная сеть совпадала по результатам классификации с искусственной нейронной сетью типа персептрона, на которой она обучалась.

The given work is devoted to the development of a program for controlling a robotic agent using a brain-computer interface based on the P300 signal classification. In the process of solving, the classifier code was written in the Python programming language and the Arduino robot control code. A method for classifying the required P300 wave in an electroencephalographic pattern using a spiked neural network was proposed and investigated. The proposed method made it possible to eliminate the difficulties associated with training a spiking neural network on Izhikevich neurons, which is an urgent task. A feature of this method is the training of a spiking classifier using a single-layer perceptron with further replacement in the artificial neural network of formal neurons already trained by the backpropagation method on mathematical models of Izhikevich bio-inspired neurons. In order to qualitatively transfer the processes occurring in the perceptron to the spiking network of Izhikevich neuron models, the Izhikevich model was modified. The accuracy of the resulting binary classifier for finding the required wave P300 was 87±5%, and in most experiments, the resulting network coincided with the classification results with the artificial neural network of the perceptron type on which it was trained.