Comparison of the accuracy of machine learning algorithms for brain-computer interaction based on high-performance computing technologies

Abstract

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