Аннотация результатов, полученных в 2024 году
Проведен аналитический обзор научных и информационных источников посвященных проблемам разработки интерфейсов «мозг-компьютер» (ИМК) и их составных частей. Проведены патентные исследования в данной области. Собран действующий макет интерфейса «мозг-компьютер» для проведения исследований. Проведено исследование переходов кожа-электрод в различных исполнениях. На основании проведенного исследования определены типы электродов максимально подходящие для применения в переносных малогабаритных ИМК. Проведено исследование различных схемотехнических вариантов построения активных резистивно-емкостных электродов. Выявлено оптимальное схемотехническое решение построения активных резистивно-емкостных электродов на основе операционных усилителей TLC272 для применения в неинвазивных переносных ИМК. Исследовано влияние локализации электродов, также их количества на точность классификации моторных образов. Также было исследовано влияние частотного диапазона регистрации электроэнцефалограмм (ЭЭГ) на точность классификации. Разработана единая методика настройки параметров интерфейсов «мозг-компьютер» для обеспечения единства измерений и максимально возможных значений точностей классификации моторных образов. Проведено исследование влияния трех алгоритмов машинного обучения (линейный дискриминантный анализ, метод опорных векторов, многослойный персептрон) на показатели точностей классификации. Сформированы оптимальные параметры настройки классификаторов. Проведено исследование эффективности использования различных моделей диффузионных нейронных сетей в задачах классификации моторных образов по сигналам ЭЭГ, показана их универсальность для работы дикторозависимыми и дикторонезависимыми наборами данных. Проведено исследование эффективности классификации моторных образов как реальных, так и воображаемых движений рук при помощи классификаторов, построенных на основе моделей диффузионных нейронных сетей TimeGrad, ScoreGrad и DVa. Проведено исследование нескольких классификаторов, базирующихся на разных математических подходах: линейный дискретный анализ (LDA), правило Хебба, многослойный персептрон (МСП) и свёрточная нейронная сеть (СНС), представляющая собой повторяющиеся части архитектуры, которые состоят из некоторого набора различных слоёв ResNet. Разработана архитектура СНС на основе архитектуры ResNet, наилучшим образом подходящая для нейроклассификатора ЭЭГ. Проведено исследование по определению оптимального числа нейронов ИНС в виде МСП. В процессе исследования был разработан метод определения оптимального числа нейронов в нейронных сетях. На основе архитектуры ResNet разработана модель бинарного классификатора, которая была реализована на языке Python в разработанном программном обеспечении. Проведено исследование по выявлению оптимальных методов оценок качества работы разработанного бинарного классификатора. Проведено исследование по применению различных оптимизаторов в задачах бинарной классификации ЭЭГ. Проведено исследование влияния следующих оптимизаторов на результаты классификаций: стохастический градиентный спуск (Stochastic Gradient Descent, SGD); Adaptive Momentum (ADAM); Метод сопряжённых градиентов; Алгоритм Бройдена-Флетчера-Голдфарба-Шанно (BFGS); Алгоритм Левенберга-Марквардта. С использованием собственного программного обеспечения написанного на языке Python был проведен ряд вычислительных экспериментов. Проведен расчет метрик «Accuracy», «Precision», «Recall», «F1» для различных архитектур классификаторов (ResNet, полносвязный персептрон, LDA, персептрон Розенблата). Наилучшие показатели метрик («Accuracy» 68,31%, «Precision» 67,08%, «Recall» 68,80%, «F1» 67,97%) продемонстрировал разработанный нейроклассификатор на основе архитектуры ResNet при использовании оптимизатора ADAM. Таким образом, было проведено комплексное исследование нейросетевых и алгоритмически детерминированных классификаторов, методов оптимизации первого и второго порядков. Лучшие показатели метрик, в частности, метрики «F1» удалось достичь с помощью макро слоев СНС, повторяющиеся части архитектуры, которые состоят из некоторого набора различных слоев, т. е. ResNet с шестнадцатью повторяющимися блоками при использовании оптимизатора первого порядка с адаптивной оптимизацией импульсов (ADAM). В результате проведенного исследования было установлено влияние применения различных вариантов исполнения нейронных сетей на результативность выполнения задач классификации сигналов ЭЭГ. Также был разработан нейроклассификатор на основе архитектуры ResNet для решения задач классификации объектов выделенных в ЭЭГ сигналах.

Аннотация результатов, полученных в 2025 году
Разработаны и исследованы схемотехнические реализации активных емкостных электродов построенных на микросхемах: LMP7701, LMP7721 и ADA4528. Также отдельно разработан емкостный электрод для контура так называемой «правой ноги» (Driven Right Leg, DRL) активного типа на микросхеме LMP7701. Цель исследования состояла в проектировании активных резистивно-емкостных и емкостных электродов «сухого типа», комплексном исследовании вариантов их схемотехнической реализации, способов подключения к усилителям биопотенциалов, обеспечении минимизации шумовых характеристик для достижения качества регистрируемого электроэнцефалографического (ЭЭГ) сигнала не хуже чем при использовании регистрирующих электродов «влажного типа» (например, классических Ag/AgCl). Собраны действующие макеты различных вариантов исполнения электродов, проведены имитационное моделирование и натурные эксперименты. Проведена оценка влияния предварительного усиления полезного сигнала непосредственно в регистрирующих электродах на уровень вносимых искажений в полезный сигнал. Оценка проводилась по основным метрикам качества: коэффициент ослабления синфазных сигналов, отношение сигнал/шум, коэффициент шума и фактор шума. Предложен метод схемотехнической реализации активных емкостных электродов основанный на организации цепей обратной связи между выходами усилительных элементов электрода и кольцами сплошной металлизации на печатной плате, расположенными вокруг основной регистрирующей пластины электрода. Такой метод схемотехнической реализации обеспечивает стабилизацию работы электрода и улучшение метрик качества. При этом емкостные электроды обеспечивали качество передачи ЭЭГ сигнала на уровне классических Ag/AgCl электродов, но значительно превосходили классические электроды по удобству в эксплуатации. Оценка рассмотренных метрик качества была проведена не отдельно на разработанных электродах, а на всей системе «кожа-электрод-регистрирующая аппаратура». С помощью разработанного макета портативной нейрогарнитуры интерфейса «мозг-компьютер» (ИМК) проведена запись более трехсот сессий на различных операторах в различное время и с различными их психоэмоциональными состояниями. Это говорит о дикторонезависимости собранного набора данных. При построении нейроклассификатора в исследовании 2025 года предложена архитектура искусственных нейронных сетей (ИНС) на основе слоев внимания (attention layers). Проведено комплексное исследование результативности бинарной классификации данных ЭЭГ с применением новых архитектур на основе слоев внимания. Проведено сравнение новых архитектур с ранее рассмотренными архитектурами. Также была предложена и анализирована архитектура модели на основе «многоголового» внимания применительно к задачам классификации паттернов ЭЭГ. По результатам классификаций дана оценка эффективности сетей на основе слоёв внимания для классификации паттернов ЭЭГ. Для подтверждения правильности вычислительных экспериментов оценка была сформирована как для наборов данных полученных из сторонних открытых источников, так и для набора данных ЭЭГ, полученных при регистрации с помощью разработанного макета ИМК в различных модификациях. Наивысшие средние значения метрик (аccuracy = 95,04%; рrecision = 95,23%; recall = 96,81%; F1 = 96,01%) на валидационных выборках удалось получить для архитектуры классификатора построенного с применением свёрточной нейронной сети (СНС) ResNet на основе «многоголового» внимания. Модель на основе механизма внимания продемонстрировала значительное увеличение метрик в задачах классификации моторных образов по сигналам ЭЭГ. Среднее увеличение метрик по сравнению с классификаторами на основе других моделей составляет порядка 30 %, что позволяет сделать вывод об эффективности предложенной архитектуры. Далее в ходе исследования была получена оценка вычислительной сложности для различных классов рассматриваемых нейроклассификаторов. Получена теоретическая оценка в FLOPS для прямого и обратного проходов по вычислительному графу при вычислении градиентов. Практическая оценка получена путем измерения времени инференса модели, усредненного по нескольким сессиям измерений. Проведен анализ соотношения полученных теоретических и эмпирических оценок. Количественные значения FLOPS были рассчитаны для моделей на основе: многослойного персептрона; СНС ResNet; СНС ResNet на основе «многоголового» внимания. Полученная оценка позволила сделать выводы о возможности применения моделей в условиях ограниченности вычислительных ресурсов в портативных версиях ИМК без использования персонального компьютера для проведения вычислений. В ходе исследования была предложена экспериментальная методика анализа эффективности параметризатора в виде ИНС применительно к задачам классификации паттернов ЭЭГ. Методика основана на вычислении значимых карт класса и интегральных градиентов. В результате была проведена оценка эффективности параметризаторов для всех рассматриваемых архитектур. Наиболее оптимальная архитектура с точки зрения метрик и эффективности в вычислительном плане является архитектура СНС ResNet на основе «многоголового» внимания с уменьшенным количеством гиперпараметров. Таким образом, было получено теоретическое и эмпирическое обоснование выбора нейросетевого классификатора в задачах распознавания ЭЭГ сигналов. Так как архитектура СНС ResNet на основе «многоголового» внимания показала оптимальный результат в задачах классификации моторных образов по сигналам ЭЭГ, то она была использована в качестве исходной архитектуры для дальнейшей оптимизации с помощью генетического алгоритма (ГА). Разработанный ГА учитывает ранее полученные результаты и формализует их для автоматического выбора архитектур. Процесс выбора сопровождался построением траектории в пространстве архитектур для наглядной визуализации и объяснимости результатов. На протяжении 100 поколений производился поиск более оптимальной архитектуры. Для одного полного цикла поиска архитектуры (100 поколений, 10 потомков) пришлось обучить 1000 нейронных сетей. Эксперименты показали, что в среднем необходимо, около, 25-ти поколений для стабилизации решения (под стабилизацией понимается выход функции fitness (функции соответствия) на плато). Таким образом, использование ГА позволило улучшить предыдущие результаты классификации на 2-5 %. В результате проведенных исследований был разработан действующий макет портативного неинвазивного ИМК, сочетающего в себе передовые достижения в области радиотехники, математического моделирования и позволяющего проводить регистрацию ЭЭГ данных с помощью электродов «сухого типа», а также классификацию моторных образов по сигналам ЭЭГ со средней точностью 95% в офлайн режиме и 75% в онлайн режиме.