Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/46419

Назва: Comparison of the accuracy of machine learning algorithms for brain-computer interaction based on high-performance computing technologies
Інші назви: Порівняння точності алгоритмів машинного навчання взаємодії мозок-компʼютер на основі технологій високопродуктивних обчислень
Автори: Стефанишин, Володимир
Стефанишин, Іван
Пастух, Олег Анатолійович
Куліков, Сергій
Stefanyshyn, Volodymyr
Stefanyshyn, Ivan
Pastukh, Oleh
Kulikov, Serhii
Приналежність: Тернопільський національний технічний університет імені Івана Пулюя, Тернопіль, Україна
Ternopil Ivan Puluj National Technical University, Ternopil, Ukraine
Бібліографічний опис: Comparison of the accuracy of machine learning algorithms for brain-computer interaction based on high-performance computing technologies / Volodymyr Stefanyshyn, Ivan Stefanyshyn, Oleh Pastukh, Serhii Kulikov // Scientific Journal of TNTU. — Tern. : TNTU, 2024. — Vol 115. — No 3. — P. 82–90.
Bibliographic description: Stefanyshyn V., Stefanyshyn I., Pastukh O., Kulikov S. (2024) Comparison of the accuracy of machine learning algorithms for brain-computer interaction based on high-performance computing technologies. Scientific Journal of TNTU (Tern.), vol. 115, no 3, pp. 82-90.
Є частиною видання: Вісник Тернопільського національного технічного університету, 3 (115), 2024
Scientific Journal of the Ternopil National Technical University, 3 (115), 2024
Журнал/збірник: Вісник Тернопільського національного технічного університету
Випуск/№ : 3
Том: 115
Дата публікації: 4-вер-2024
Дата подання: 11-лип-2024
Дата внесення: 24-жов-2024
Видавництво: ТНТУ
TNTU
Місце видання, проведення: Тернопіль
Ternopil
DOI: https://doi.org/10.33108/visnyk_tntu2024.03.082
УДК: 539.3
Теми: сигнали електроенцефалограми
нейро-інтерфейс взаємодії мозок-компʼютер
штучний інтелект
паралельне програмування
високопродуктивні обчислення
класифікатор
стабільність
точність
аналіз сигналів мозку
EEG signals
neuro-interface of brain-computer interaction
artificial intelligence
parallel programming
high-performance computing
classifier
accuracy
Кількість сторінок: 9
Діапазон сторінок: 82-90
Початкова сторінка: 82
Кінцева сторінка: 90
Короткий огляд (реферат): Проаналізовано різні класифікатори для розпізнавання рухів рук та пальців за допомогою сигналів електроенцефалографа (EEG) та визначено, які з них є найточнішими. Це важливим для впровадження технологій нейрореабілітації та контролю рухів протезів. Метод засновано на використанні самонавчальних алгоритмів для ефективниго опрацювання та аналізу інформативних характеристик на основі даних EEG, маючи за мету адаптивно розпізнавати різні моторні команди. Ця здатність забезпечує стійкість та ефективність системи у розумінні складних наборів мозкових сигналів, повʼязаних із конкретною моторною дією. Точність системи покращується завдяки підбору параметрів аналізу та методологій на основі отриманих заздалегіть наборів сигналів EEG під час конкретного повторюваного руху. Даний підхід полігає у використання новітніх методик машинного навчання, а саме таких класифікаторів: багатошаровий перцептрон, логістична регресія та випадковий ліс. Це для того, щоб визначити підхід, який даватиме найвищу точність мозкових сигналів. Ми проаналізували дані класифікатори на ексериментальних даних, провели класифікації на векторних значеннях з 16 датчиків, що містять вичерпну інформацію про активність головного мозку в конкретний момент часу. Набори даних отримано в процесі виконання повторувального руху. Такий підхід дозоволяє EEG сигналам відповідні рухи в режимі реального часу. Основною метою дослідження є пошуку точніших методів для перетворення команд (сигналів) мозку в механічні рухи для покращення роботи біонічних протезів та підходів для реабілітації людей з проблемами координації. Експеремент дозволяє отримати найвишу точність у розпізнаванні конкретних моторних команд. Дане дослідження спрамоване на покращення якості життя осіб з обмеженнями рухових функцій та осіб з порушенням функції руху. Результати отримані, в даному дослідженні, демонстрють ефективні підходи для опрацювання EEG сигналів за допомогою алгоритмів машинного навчання, аналітичних підходів та хмарних технологій. Перспективи виявлені в даному дослідженні допоможуть покращити та пришвидшити розвиток дослідень у галузі опрацювання нейрокогнітивних сигналів. Отримані результати сприяють покращенню роботи та підвищенню точності взаємодії між головним мозком людини та компʼютером
In this article, we will analyze different classifiers for recognizing hand and finger movements using electroencephalograph (EEG) signals and determine which ones are the most accurate. This is important for the introduction of neurorehabilitation technologies and control of prosthetic movements. The method is based on the use of self-learning algorithms for efficient processing and analysis of informative characteristics based on EEG data. Aiming to adaptively recognize different motor commands. This ability ensures the robustness and efficiency of the system in understanding complex sets of brain signals associated with a specific motor action. The results obtained in this study demonstrate effective approaches for processing EEG signals using machine learning algorithms, analytical approaches, and cloud technologies. The perspectives revealed by this study will help to improve and speed up the development of research in the field of neurocognitive signal processing. The results obtained by us contribute to improving the work and increasing the accuracy of the interaction between the human brain and the computer
URI (Уніфікований ідентифікатор ресурсу): http://elartu.tntu.edu.ua/handle/lib/46419
ISSN: 2522-4433
Власник авторського права: © Тернопільський національний технічний університет імені Івана Пулюя, 2024
URL-посилання пов’язаного матеріалу: https://doi.org/10.12987/9780300248883
https://pubmed.ncbi.nlm.nih.gov/28363483
https://doi.org/10.1016/S0140-6736(17)30601-3
https://doi.org/10.33108/visnyk_tntu2024.01.143
https://doi.org/10.33108/visnyk_tntu2023.04.026
https://ml.dask.org/joblib.html
https://xai-medica.com/en/equipments.html
https://www.nature.com/articles/nature04970
https://doi.org/10.1038/nature04970
https://www.science.org/doi/10.1126/scitranslmed.aac7328
https://doi.org/10.1126/scitranslmed.aac7328
https://elifesciences.org/articles/18554
https://doi.org/10.7554/eLife.18554.034
https://doi.org/10.1109/TNSRE.2011.2107750
https://www.nejm.org/doi/10.1056/NEJMoa1608085
https://doi.org/10.1056/NEJMoa1608085
https://www.nature.com/articles/416141a
https://doi.org/10.1038/416141a
References: 1. Nicolelis M. The true creator of everything: How the human brain shaped the universe as we know it, 2020, 7 January, pp. 1–356. https://doi.org/10.12987/9780300248883
2. Rajesh R., Rajan P. Neural networks for interference reduction in multi-track recordings. IEEE Workshop on Applications of Signal Processing to Audio and Acoustics, 2023-October, 2023.
3. Ajiboye A. B., Willett F. R., Young D. R., Memberg W. D., Murphy B. A., Miller J. P. & Walter B L. Restoration of reaching and grasping movements through brain-controlled muscle stimulation in a person with tetraplegia: a proof-of-concept demonstration. 2017. Available at: https://pubmed.ncbi.nlm.nih.gov/28363483. https://doi.org/10.1016/S0140-6736(17)30601-3
4. Pastukh O., Yatsyshyn V. Development of software for neuromarketing based on artificial intelligence and data science using high-performance computing and parallel programming technologies. Scientific Journal of TNTU, 2024, no. 113,pp. 143–149. https://doi.org/10.33108/visnyk_tntu2024.01.143
5. Pastukh O., Yatsyshyn V. Brain-computer interaction neurointerface based on artificial intelligence and its parallel programming using high-performance calculation on cluster mobile devices. Scientific Journal of TNTU, 2023, no. 112,pp. 26–31. https://doi.org/10.33108/visnyk_tntu2023.04.026
6. Scikit-Learn & Joblib. Available at: https://ml.dask.org/joblib.html (accessed 02.04.2024).
7. Medic XAI. Available at: https://xai-medica.com/en/equipments.html (accessed 04.04.2024).
8. Crepeau EB, Cohn ES. Narrative as a Key to Understanding. In: Boyt BA, Gillen G, editors. Willard and Spackman’s Occupational Therapy. 12th ed. Wolters Kluwer/Lippincott Williams and Wilkins Health; 2013. p. 96–102.
9. Hochberg LR, Serruya MD, Friehs GM, Mukand JA, Saleh M, Caplan AH, et al. Neuronal ensemble control of prosthetic devices by a human with tetraplegia. 2006. Available at: https://www.nature.com/articles/nature04970. https://doi.org/10.1038/nature04970
10. Jarosiewicz B, Sarma A. A, Bacher D., Masse N. Y, Simeral J. D, Sorice B, et al. Virtual typing by people with tetraplegia using a self-calibrating intracortical brain-computer interface. 2015. Available at: https://www.science.org/doi/10.1126/scitranslmed.aac7328. https://doi.org/10.1126/scitranslmed.aac7328
11. Pandarinath C., Nuyujukian P., Blabe C., Sorice B., Saab J., Willett F., et al. High-performance communication by people with paralysis using an intracortical brain-computer interface. 2017. Available at: https://elifesciences.org/articles/18554. https://doi.org/10.7554/eLife.18554.034
12. Kim S., Simeral J., Hochberg L., Donoghue J., Friehs G., Black M. Point-and-Click Cursor Control With an Intracortical Neural Interface System in Humans With Tetraplegia. 2011. Available at: https: //ieeexplore.ieee.org/document/5703131. https://doi.org/10.1109/TNSRE.2011.2107750
13. Bright brain – Londonʼs eeg, neurofeedback and brain stimylation centre. Available at: https://www.nejm.org/doi/10.1056/NEJMoa1608085.
14. Vansteensel M., Pels EGM, Bleichner M., Branco M., Denison T., Freudenburg Z., et al. Fully Implanted Brain-Computer Interface in a Locked-In Patient with ALS. 2016. Available at: https://www.nature.com/articles/nature04970. https://doi.org/10.1056/NEJMoa1608085
15. Serruya M., Hatsopoulos N., Paninski L., Fellows M., Donoghue J.. Instant neural control of a movement signal. 2002. Available at: https://www.nature.com/articles/416141a. https://doi.org/10.1038/416141a
Тип вмісту: Article
Розташовується у зібраннях:Вісник ТНТУ, 2024, № 3 (115)



Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.