СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

Интерфейсы «мозг – компьютер» (ИМК) предоставляют своим пользователям альтернативные каналы взаимодействия с периферийными устройствами различного назначения и являются важным направлением в области медицины и нейрореабилитации. Существует множество парадигм построения подобных систем, каждая из которых обладает своими особенностями. Одной из них является парадигма на основе устойчивых визуально вызванных потенциалов (УВВП, англ. Steady-State Visually Evoked Potentials – SSVEP). Ее отличительной чертой являются низкие требования к предварительному обучению пользователя для эксплуатации ИМК. При этом для нее характерна индивидуальная вариабельность реакции пользователей на фотостимулы, что вызывает определенные трудности. В существующих на данный момент исследованиях отмечается, что учет этой особенности может стать важным шагом к повышению точности и эффективности работы данного вида ИМК.

С развитием области машинного обучения (МО) всё чаще различные его методы используются для анализа биомедицинских сигналов. Предлагаются новые модели и архитектуры, предназначенные для специфичной работы в какой-либо области. Это касается и ИМК, где МО применяется с целью классификации входных данных, представленных в виде отсчетов сигнала электроэнцефалограммы (ЭЭГ). Целью настоящей работы является исследование влияния учета индивидуальной реакции пользователей на результат классификации команд моделями МО, используемыми при проектировании ИМК. Для этого был протестирован ряд моделей, используемых ранее для реализации MI, SSVEP, P300 и иных парадигм: ATCNet, DeepConvNet, EEGNet, EEGNeX, EEG-TCNet, MBEEG_SENet, ShallowConvNet и TCNet_Fusion. В качестве источника данных использовались открытые наборы 12JFPM и TsinghuaBCI_Benchmark, предоставляющие в сумме доступ к результатам проведения экспериментов на 45 испытуемых. Используя отношение сигнал/шум (ОСШ) ЭЭГ сигнала как показатель выраженности реакции, для каждой

частоты фотостимуляции был определен коэффициент совместимости с испытуемым. На его основе были составлены индивидуальные профили испытуемых, включающие по 4 значения частоты, обладающих минимальным и максимальным показателем совместимости. Это позволило протестировать работу выбранных моделей в двух противоположных условиях.

Полученные в настоящем исследовании результаты показывают, что учет индивидуальной реакции оказывает положительное влияние на такие характеристики ведущих моделей МО, как точность классификации и коэффициент каппы Коэна, особенно для моделей ATCNet

и EEG-TCNet. Применение парного критерия Стьюдента (t-тест) говорит о статистической значимости полученных результатов для моделей ATCNet и EEG-TCNet (p < 0,01), а также для моделей MBEEG_SENet и TCNet_Fusion (p < 0,05). Усредненные показатели главной диагонали матрицы путаницы названных выше моделей демонстрируют прирост в положительную сторону.

1. Vidal J.J. Toward direct brain-computer communication // Annual Review of Biophysics and Bioengineering. – 1973. – Vol. 2. – P. 157–180. – DOI: 10.1146/annurev.bb.02.060173.001105. – PMID: 4583653.

2. Kozin A.V., Schetinin Y.I. The use of empirical mode decomposition for physiological artifacts suppression from electroencephalogram signals // 2021 XV International Scientific-Technical Conference on Actual Problems of Electronic Instrument Engineering (APEIE), Novosibirsk, Russian Federation, 2021. – IEEE, 2021. – P. 80–85. – DOI: 10.1109/APEIE52976.2021.9647545.

3. Левицкая О.С., Лебедев М.А. Интерфейс мозг–компьютер: будущее в настоящем // Вестник Российского государственного медицинского университета. – 2016. – № 2. – URL: https://cyberleninka.ru/article/n/interfeys-mozg-kompyuter-buduschee-v-nastoyaschem (дата обращения: 08.09.2025).

4. Мокиенко О.А., Черникова Л.А., Фролов А.А. Интерфейс мозг–компьютер как новая технология нейрореабилитации // Анналы клинической и экспериментальной неврологии. – 2011. – Т. 5, № 3. – С. 46–52.

5. Neuronal ensemble control of prosthetic devices by a human with tetraplegia / L.R. Hochberg, M.D. Serruya, G.M. Friehs, J.A. Mukand, M. Saleh, A.H. Caplan, A. Branner, D. Chen, R.D. Penn, J.P. Donoghue // Nature. – 2006. – Vol. 442 (7099). – P. 164–171. – DOI: 10.1038/nature04970.

6. Kennedy P.R., Bakay R.A.E. Restoration of neural output from a paralyzed patient by a direct brain connection // NeuroReport. – 1998. – Vol. 9 (8). – P. 1707–1711.

7. A review of P300, SSVEP, and hybrid P300/SSVEP brain-computer interface systems / S. Amiri, A. Rabbi, L. Azinfar, R. Fazel-Rezai // Brain-computer interface systems: Recent progress and future prospects. – InTech, 2013. – DOI: 10.5772/56135.

8. A multi-branch convolutional neural network with squeeze-and-excitation attention blocks for EEG-based motor imagery signals classification / G.A. Altuwaijri, G. Muhammad, H. Altaheri, M. Alsulaiman // Diagnostics. – 2022. – Vol. 12 (4). – P. 995. – DOI: 10.3390/diagnostics12040995.

9. Altaheri H., Muhammad G., Alsulaiman M. Physics-informed attention temporal convolutional network for EEG-based motor imagery classification // IEEE Transactions on Industrial Informatics. – 2023. – Vol. 19. – P. 2249–2258. – DOI: 10.1109/TII.2022.3197419.

10. Li Z. Mamba with split-based pyramidal convolution and Kolmogorov–Arnold network-channel-spatial attention for electroencephalogram classification // Frontiers in Sensors. – 2025. – Vol. 6. – P. 1548729. – DOI: 10.3389/fsens.2025.1548729.

11. A hybrid steady-state visual evoked response-based brain-computer interface with MEG and EEG / X. Li, J. Chen, N. Shi, C. Yang, P. Gao, X. Chen, Y. Wang, S. Gao, X. Gao // Expert Systems with Applications. – 2023. – Vol. 223. – P. 119736. – DOI: 10.1016/j.eswa.2023.119736.

12. Ng K.B., Bradley A.P., Cunnington R. Stimulus specificity of a steady-state visual-evoked potential-based brain–computer interface // Journal of Neural Engineering. – 2012. – Vol. 9 (3). – P. 036008. – DOI: 10.1088/1741-2560/9/3/036008.

13. The largest EEG-based BCI reproducibility study for open science: the MOABB benchmark / S. Chevallier, I. Carrara, B. Aristimunha, P. Guetschel, S. Sedlar, B. Lopes, S. Velut, S. Khazem, T. Moreau. – arXiv preprint arXiv:2404.15319. – 2024.

14. A comparison study of canonical correlation analysis based methods for detecting steady-state visual evoked potentials / M. Nakanishi, Y. Wang, Y.T. Wang, T.P. Jung //  PLoS ONE. – 2015. – Vol. 10 (10). – P. 1–18. – DOI: 10.1371/journal.pone.0140703.

15. GDNet-EEG: An attention-aware deep neural network based on group depth-wise convolution for SSVEP stimulation frequency recognition / Z. Wan, W. Cheng, M. Li, R. Zhu, W. Duan // Frontiers in Neuroscience. – 2023. – Vol. 17. – P. 1160040. – DOI: 10.3389/fnins.2023.1160040.

16. EEGNet: A compact convolutional network for EEG-based brain-computer interfaces / V. Lawhern, A. Solon, N. Waytowich, S. Gordon, C. Hung, B. Lance // Journal of Neural Engineering. – 2016. – Vol. 15. – DOI: 10.1088/1741-2552/aace8c.

17. A benchmark dataset for SSVEP-based brain-computer interfaces / Y. Wang, X. Chen, X. Gao, S. Gao // IEEE Transactions on Neural Systems and Rehabilitation Engineering. – 2017. – Vol. 25 (10). – P. 1746–1752. – DOI: 10.1109/TNSRE.2016.2627556.

18. OS-SSVEP: one-shot SSVEP classification / Y. Deng, Z. Ji, Y. Wang, S.K. Zhou // Neural Networks. – 2024. – Vol. 180. – P. 106734. – DOI: 10.1016/j.neunet.2024.106734.

19. Enhancing the performance of SSVEP-based BCIs by combining task-related component analysis and deep neural network / Q. Wei, C. Li, Y. Wang, X. Gao // Scientific Reports. – 2025. – Vol. 15 (1). – P. 365. – DOI: 10.1038/s41598-024-84534-6.

20. SSVEP enhancement in mixed reality environment for brain-computer interfaces / J. Wu, F. He, X. Xiao, R. Gao, L. Meng, X. Liu, M. Xu, D. Ming // IEEE Transactions on Neural Systems and Rehabilitation Engineering. – 2025. – Vol. 33. – P. 420–430. – DOI: 10.1109/TNSRE.2025.3526950.

21. Automating stimulation frequency selection for SSVEP-based brain-computer interfaces / A. Kozin, A. Gerasimov, M. Bakaev, A. Pashkov, O. Razumnikova // Algorithms. – 2023. – Vol. 16 (11). – P. 502. – DOI: 10.3390/a16110502.

22. BCI illiteracy: It’s us, not them. Optimizing BCIs for individual brains / S. Becker, K. Dhindsa, L. Mousapour, Y. Al Dabagh // 10th International Winter Conference on Brain-Computer Interface (BCI), Gangwon-do, Korea. – IEEE, 2022. – P. 1–3. – DOI: 10.1109/BCI53720.2022.9735007.

23. SSVEP detection assessment by combining visual stimuli paradigms and no-training detection methods / J.D. Chailloux Peguero, L.G. Hernández-Rojas, O. Mendoza-Montoya, R. Caraza, J.M. Antelis // Frontiers in Neuroscience. – 2023. – Vol. 17. – P. 1142892. – DOI: 10.3389/fnins.2023.1142892.

24. On the quantification of SSVEP frequency responses in human EEG in realistic BCI conditions / R. Kus, A. Duszyk, P. Milanowski, M. Labecki, M. Bierzynska, Z. Radzikowska, M. Michalska, J. Zygierewicz, P. Suffczynski, P.J. Durka // PLoS ONE. – 2013. – Vol. 8. – P. 1–9. – DOI: 10.1371/journal.pone.0077536.

25. Wang Y., Wang P., Yu Y. Decoding English alphabet letters using EEG phase information // Frontiers in Neuroscience. – 2018. – Vol. 12 – P. 62. – DOI: 10.3389/fnins.2018.00062.

26. Deep learning with convolutional neural networks for EEG decoding and visualization / R.T. Schirrmeister, J.T. Springenberg, L.D.J. Fiederer, M. Glasstetter, K. Eggensperger, M. Tangermann, F. Hutter, W. Burgard, T. Ball // Human Brain Mapping. – 2017. – Vol. 38. – P. 5391–5420. – DOI: 10.1002/hbm.23730.

27. Improving the performance of SSVEP-BCI contaminated by physiological noise via adversarial training / D. Wang, A. Liu, B. Xue, L. Wu, X. Chen // Medicine in Novel Technology and Devices. – 2023. – Vol. 18. – P. 100213. – DOI: 10.1016/j.medntd.2023.100213.

28. Employment of domain adaptation techniques in SSVEP-based brain–computer interfaces / A. Apicella, P. Arpaia, E.D. Benedetto, N. Donato, L. Duraccio, S. Giugliano, R. Prevete // IEEE Access. – 2023. – Vol. 11. – P. 36147–36157. – DOI: 10.1109/ACCESS.2023.3266306.

29. Toward reliable signals decoding for electroencephalogram: A benchmark study to EEGNeX / X. Chen, X. Teng, H. Chen, Y. Pan, P. Geyer. – arXiv preprint arXiv:2207.12369. – 2022.

30. EEG-TCNet: An accurate temporal convolutional network for embedded motor-imagery brain–machine interfaces / T.M. Ingolfsson, M. Hersche, X. Wang, N. Kobayashi, L. Cavigelli, L. Benini // IEEE International Conference on Systems, Man, and Cybernetics (SMC). – IEEE, 2020. – P. 2958–2965. – DOI: 10.1109/SMC42975.2020.9283028.

31. A multi-branch convolutional neural network with squeeze-and-excitation attention blocks for EEG-based motor imagery signals classification / A.A. Ghadir, M. Ghulam, A. Hamdi, A. Mansour // Diagnostics. – 2022. – Vol. 12 (4). – DOI: 10.3390/diagnostics12040995.

32. Pan Y.T., Chou J.L., Wei C.S. MAtt: A manifold attention network for EEG decoding // Advances in Neural Information Processing Systems 35: 36th Conference on Neural Information Processing Systems (NeurIPS 2022). – NIPS, 2022. – Vol. 35.

33. Electroencephalography-based motor imagery classification using temporal convolutional network fusion / Y.K. Musallam, N.I. AlFassam, G. Muhammad, S.U. Amin, M. Alsulaiman, W. Abdul, H. Altaheri, M.A. Bencherif, M. Algabri // Biomedical Signal Processing and Control. – 2021. – Vol. 69. – DOI: 10.1016/j.bspc.2021.102826.