Comparative analysis of MLP AND KAN neural network architectures in neurointerface technologies

Abstract

Досліджено актуальну проблему нейроінтерфейсних технологій, особливо в контексті протезування людей з обмеженими можливостями. Зокрема, проаналізовано можливості нейроінтерфейсів у відновленні функцій кінцівок, що дозволяє користувачам протезів легше виконувати повсякденні задачі. Було розглянуто дві нейромережеві архітектури – MLP (multilayer perceptron) та KAN (Kolmogorov Arnold network), які застосувалися для класифікації рухів пальців на основі мозкових сигналів. Для формування датасету використано 16-канальний електроенцефалограф, за допомогою якого реєструвалися зміни електричної активності мозку під час виконання учасником послідовних рухів згинання та розгинання пальців протягом 2 хвилин. Такі дії виконувались окремо для великого та вказівного пальців, що дозволило розрізняти сигнали різних рухових активностей. Схема розташування електродів охоплювала відповідні ділянки мозку, повʼязані з руховою активністю кожного з пальців. Отримано результати ефективності роботи та навчання обох архітектур на різних вибірках даних від 10% до 100% від загального датасету в 180 тисяч рядків. Загалом аналіз показав невелику перевагу KAN 2–3% у точності на малих обсягах тренувальних даних (10%, 30%), що повʼязано з кращою здатністю до узагальнення за обмежених даних. Також сильною стороною є значно менший розмір моделей KAN завдяки використанню B-сплайн функцій та можливостям символізації, але тривалий час та вищі потреби до обчислювальних ресурсів під час навчання через більшу кількість функцій активації. MLP перемагає у швидкості тренування та показує точніші результати на 0.5%–1.5% при великих обсягах даних (50%, 70%, 100%), що робить його ефективнішим для роботи з великими датасетами. Звідси випливають перспективи розвитку нової архітектури у сфері біонічних протезів та інших технологій на основі нейроінтерфейсів, що сприятиме покращенню якості життя людей з фізичними обмеженнями. Враховуючи новизну KAN та майбутню оптимізацію існуючих бібліотек, ця архітектура може замінити MLP для задач з невеликою кількістю тренувальних даних

This article explores the relevance of neurointerface technologies, particularly for assisting individuals with disabilities through advanced prosthetics. It examines the use of two neural network architectures, MLP (multilayer perceptron) and KAN (Kolmogorov Arnold network), for classifying finger movements based on brain signals. Results indicate that KAN models show an advantage in accuracy with smaller datasets and a more compact model size, though they require more computational resources and longer training times. In contrast, MLP is faster to train and slightly more effective on larger datasets, highlighting the potential for further development in neurointerface-based prosthetic solutions