Детальная информация

В научном докладе Журавской Анжелики «Классификация электро-энцефалографических паттернов движения нижних конечностей с использованием римановой геометрии» обсуждается проблема классификации движений нижних конечностей человека по сигналам активности мозга, воспринимаемым и декодируемым с помощью интерфейса «мозг-компьютер» (ИМК). Тематика научного исследования развивающаяся и имеет ряд неразрешенных вопросов, как например поиск надежного и точного классификатора, также существует много работ посвященных распознаванию моторных воображаемых движений рук, но меньше работ связанных с движениями ног. В докладе представлена структура неинвазивного ИМК, ориентированная на распознавание воображаемых моторных команд по электроэнцелографическим (ЭЭГ) сигналам. Выполнен аналитический обзор научных работ, связанных с классификацией движений рук и ног, в результате которого определен наиболее эффективный тип классификатора на основе римановой геометрии. Приведено математическое описание метода классификации многоканальных сигналов ЭЭГ с использованием римановой геометрии. Достоверность полученных А. Журавской результатов подтверждается проведёнными экспериментами в двух группах испытуемых по 5 и четыре сессии для оффлайн экспериментов и по три сессии для онлайн экспериментов. Офлайн тестирование классификатора на основе риманова расстояния с использованием оборудования «Mitsar-EEG-SmartBCI» дало среднюю точность 71,34% для трех испытуемых в пяти сессиях, для оборудования «NeuroPlay-8Cap» для четырех испытуемых в четырех сессиях 72,5%. Онлайн тестирование показало точность среднюю точность 66.4% для «Mitsar-EEG-SmartBCI» и 67,34% «NeuroPlay-8Cap». Эти результаты показывают, что требуется доработка текущей версии классификатора и тестирование его на большем количестве испытуемых с использованием различного монтажа и настройки классификатора, что позволит использовать этот метод в системах нейрореабилитации и управления экзоскелетами нижних конечностей.

Anzelika Zuravska's scientific report «Classification of electroencephalographic patterns of lower limb movement using Riemannian geometry» discusses the problem of classifying human lower limb movements based on brain activity signals perceived and decoded using the brain-computer interface (BCI). The subject of scientific research is developing and has several unresolved issues, such as the search for a reliable and accurate classifier, there are also many works devoted to the recognition of motor imaginary hand movements, but fewer works related to leg movements. The report presents the structure of a non-invasive BCI, focused on the recognition of imaginary motor commands by electroencelographic (EEG) signals. An analytical review of scientific papers related to the classification of movements of arms and legs was carried out, because of which the most effective type of classifier based on Riemannian geometry was determined. A mathematical description of the method for classifying multichannel EEG signals using Riemannian geometry is given. The reliability of the results obtained by A. Zuravska is confirmed by experiments conducted in two groups of subjects, 5 and 4 sessions for offline experiments and 3 sessions for online experiments. Offline testing of the classifier based on the Riemannian distance using the «Mitsar-EEG-SmartBCI» equipment gave an average accuracy of 71.34% for three subjects in five sessions, for the NeuroPlay-8Cap equipment for four subjects in four sessions 72.5%. Online testing showed an average accuracy of 66.4% for «Mitsar-EEG-SmartBCI» and 67.34% for «NeuroPlay-8Cap». These results show that it is necessary to refine the current version of the classifier and test it on a larger number of subjects using different mounting and configuration of the classifier, which will make it possible to use this method in neurorehabilitation and lower limb exoskeleton control systems.