uprinmatusИзвестия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроениеProceedings of the Southwest State University. Series: IT Management, Computer Science, Computer Engineering. Medical Equipment Engineering2223-1536Юго-Западный государственный университет10.21869/2223-1536-2026-16-2-21-38uprinmatus-480Research ArticleИНФОРМАЦИОННЫЕ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫINFORMATION AND INTELLIGENT SYSTEMSПрограммно-аппаратный комплекс обеспечения функционирования интерфейса типа «мозг-компьютер»Hardware and software complex ensuring the functioning of the interface "brain-computer"https://orcid.org/0000-0002-1087-9704ЖуравлёвД. В.ZhuravlevD. V.

Журавлёв Дмитрий Владимирович, кандидат технических наук, доцент, заведующий кафедрой радиоэлектронных устройств и cистем

yn. 20-летия Октября, д. 84, г. Воронеж 394006

Dmitry V. Zhuravlev, Cand. Sci. (Engineering), Associate Professor, Head of the Department of Radioelectronic Devices and Systems

20-letiya Oktyabrya Str. 84, Voronezh 394006

ddom1@yandex.ruhttps://orcid.org/0000-0002-6150-1090СоловьевА. С.SolovievA. S.

Соловьев Александр Ceменович, доктор технических наук, профессор

yn. Иркутская, д. 1A, г. Воронеж 394072

Alexander S. Soloviev, Dr. Sci. (Engineering), Professor

1A Irkutskaya Str., Voronezh 394072

ASoloviev58@yandex.ruКузьменкоР. В.KuzmenkoR. V.

Кузьменко Роман Валентинович, доктор физико-математических наук, доцент, профессор кафедры радиоэлектронных устройств и систем, Воронежский государственный технический университет; профессор кафедры математики и естественнонаучных дисциплин, Воронежский институт Федеральной службы исполнения наказаний России

yn. 20-летия Октября, д. 84, г. Воронеж 394006

yn. Иркутская, д. 1A, г. Воронеж 394072

Roman V. Kuzmenko, Dr. Sci. (Physical and Mathematical), Associate Professor, Professor at the Department of Radioelectronic Devices and Systems, Voronezh State Technical University; Professor at the Department of Mathematics and Natural Sciences, Voronezh Institute of the Federal Penitentiary Service of Russia

20-letiya Oktyabrya Str. 84, Voronezh 394006

1A Irkutskaya Str., Voronezh 394072

roman_kuzmenko@inbox.ruhttps://orcid.org/0000-0002-8926-3151КалачА. В.KalachA. V.

Калач Андрей Владимирович, доктор химических наук, профессор, заведующий кафедрой информационных технологий, моделирования и управления

пр-т Революции, д. 19, r. Воронеж 394036

Andrew V. Kalach, Dr. Sci. (Chemical), Professor, Head of the Department of Information Technology, Modeling and Management

19 Revolyutsii Ave., Voronezh 394036

a_kalach@mail.ruВоронежский государственный технический университетРоссияVoronezh State Technical UniversityRussian FederationВоронежский институт Федеральной службы исполнения наказаний РоссииРоссияVoronezh Institute of the Federal Penitentiary Service of RussiaRussian FederationВоронежский государственный технический университет; Воронежский институт Федеральной службы исполнения наказаний РоссииРоссияVoronezh State Technical University; Voronezh Institute of the Federal Penitentiary Service of RussiaRussian FederationВоронежский государственный университет инженерных технологийРоссияVoronezh State University of Engineering TechnologiesRussian Federation2026070820261622138Copyright © Журавлёв Д.В., Соловьев А.С., Кузьменко Р.В., Калач А.В., 20262026Журавлёв Д.В., Соловьев А.С., Кузьменко Р.В., Калач А.В.Zhuravlev D.V., Soloviev A.S., Kuzmenko R.V., Kalach A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://uprinmatus.elpub.ru/jour/article/view/480

Целью исследования является разработка программно-аппаратного комплекса, позволяющего оптимизировать управление роботизированным устройством по сигналам электроэнцефалограммы на основе распознавания управляющих команд вне зависимости от принципа взаимодействия пользователя с компьютером.

Методы

Методы. Представлен программно-аппаратный комплекс, способный функционировать на основе как синхронной, так и асинхронной парадигм интерфейса «мозг-компьютер», предназначенный для внедрения в различные контуры управления сложными человеко-машинными системами. Аппаратные средства включают в себя плату регистрации сигналов электроэнцефалографии, а также нейрогарнитуру с электродами-датчиками. Плата регистрации сигналов электроэнцефалографии Cyton является ключевым элементом аппаратной части разработанного программно-аппаратного комплекса. Это 8-канальное устройство, совместимое с платформой OpenBCl, предназначенное для высокоточной регистрации биопотенциалов мозга, а также сигналов сердечной и мышечной активности. Разработанное на языке Python программное обеспечение позволяет регистрировать сигналы электроэнцефалографии; предварительной обработки сигналов электроэнцефалографии при реализации синхронного и асинхронного интерфейсов; проводить классификацию данных электроэнцефалографии; формировать управляющие сигналы на роботизированное устройство.

Результаты

Результаты. Для выполнения задачи классификации данных электроэнцефалографии была разработана модель полносвязной искусственной нейронной cemu, представляющей собой многослойный персептрон (Multi-Lауег Perceptron или MLP). B синхронном режиме достигнута точность распознавания потенциала P300 на уровне ~ 60 %. В асинхронном режиме точность бинарной классификации моторных образов (воображаемые движения левой и правой рук) составила 65 %. Разработанный комплекс предусматривает возможность работы системы с операторами без этапа предварительного обучения.

Заключение

Заключение. Разработанный комплекс открывает перспективы для внедрения интерфейса «мозг-компьютер» в критически важные технологические процессы, где требуется высокая надёжность человеко-машинного взаимодействия. Дальнейшее развитие системы может быть направлено на повышение точности классификации, расширение числа распознаваемых команд и оптимизацию аппаратной части для мобильных применений.

The purpose of the research is to develop a software and hardware complex that allows optimizing the control of a robotic device based on electroencephalogram signals based on the recognition of control commands, regardless of the principle of user interaction with a computer.

Methods

Methods. Presented is a software and hardware complex capable of functioning on the basis of both synchronous and asynchronous paradigms of the "brain-computer" interface, designed for introduction into various control loops of complex human-machine systems. The hardware includes an electroencephalography signal recording board as well as a neuroharnithra with sensor electrodes. The Cyton electroencephalography signal registration board is a key element of the hardware of the developed software and hardware complex. This is an 8-channel device compatible with the OpenBCI platform, designed for high-precision registration of brain biopotentials, as well as signals of heart and muscle activity. Software developed in Python allows you to record electroencephalography signals; preprocessing electroencephalography signals when implementing synchronous and asynchronous interfaces; classify electroencephalography data; generate control signals to the robotic device.

Results

Results. To perform the task of classifying electroencephalography data, a model of a fully connected artificial neural network, which is a multilayer per-septron (Multi-Layer Perceptron or MLP), was developed. In synchronous mode, the P300 has a potential recognition accuracy of ~ 60%. In asynchronous mode, the accuracy of the binary classification of motor images (imaginary movements of the left and right hands) was 65%. The developed complex provides the ability to work with operators without a preliminary training stage.

Conclusion

Conclusion. The developed complex opens up prospects for introducing the brain-computer interface into critical technological processes where high reliability of human-eyelid machine interaction is required. Further development of the system can be aimed at improving classification accuracy, expanding the number of recognizable commands and optimizing the hardware for mobile applications.

асинхронный интерфейс «мозг-компьютер»волна P300моторные образымногослойный персептрончеловеко-машинный интерфейсasynchronous brain-computer interfacewave P300motor imagerymultilayer perceptronhumanmachine interfaceReferencesAllison B. Z., Pineda J. A. ERPs evoked by different matrix sizes: implications for a brain computer interface (BCI) system // IEEE Trans. Neural Syst. Rehabil. Eng. 2003. N 11(2). P. 110–113.Allison B.Z., Pineda J.A. ERPs evoked by different matrix sizes: implications for a brain computer interface (BCI) system. IEEE Trans. Neural Syst. Rehabil. Eng. 2003;(11):110–113.Filter bank common spatial pattern (FBCSP) in brain-computer interface / K. K. Ang, Z. Y. Chin, H. Zhang, C. Guan // 2008 IEEE International Joint Conference on Neural Networks. Hong Kong: IEEE, 2008. P. 2390–2397. https://doi.org/10.1109/IJCNN.2008.4634130.Ang K.K., Chin Z.Y., Zhang H., Guan C. Filter bank common spatial pattern (FBCSP) in brain-computer interface. IEEE International Joint Conference on Neural Networks. Hong Kong; IEEE; 2008. P. 2390–2397. https://doi.org/10.1109/IJCNN.2008.4634130.A human memory circuit derived from brain lesions causing amnesia / M. A. Ferguson, C. Lim, D. Cooke [et al.] // Nat. Commun. 2019. N 10 (1). P. 3497. https://doi.org/10.1038/s41467-019-11353-z.Ferguson M.A., Lim C., Cooke D., et al. A human memory circuit derived from brain lesions causing amnesia. Nat. Commun. 2019;(10):3497. https://doi.org/10.1038/s41467-019-11353-z.Parvizi J., Kastner S. Promises and limitations of human intracranial electroencephalography // Nat. Neurosci. 2018. N 21(4). P. 474–483. https://doi.org/10.1038/s41593-018-0108-2.Parvizi J., Kastner S. Promises and limitations of human intracranial electroencephalography. Nat. Neurosci. 2018;(21):474-483. https://doi.org/10.1038/s41593-018-0108-2.Targeted enhancement of cortical-hippocampal brain networks and associative memory / J. X. Wang, L. M. Rogers, E. Z. Gross [et al.] // Science. 2014. N 345 (6200). P. 1054- 1057. https://doi.org/10.1126/science.1252900.Wang J.X., Rogers L.M., Gross E.Z., et al. Targeted enhancement of corticalhippocampal brain networks and associative memory. Science. 2014;(345):1054-1057. https://doi.org/10.1126/science.1252900.Multisensory processing impacts memory for objects and their sources / S. E. Duarte, A. P. Yonelinas, S. Ghetti [et al.] // Mem. Cognit. 2024. N 53 (2). P. 646–665. https://doi.org/10.3758/s13421-024-01592-x.Duarte S.E., Yonelinas A.P., Ghetti S., et al. Multisensory processing impacts memory for objects and their sources. Mem. Cognit. 2024;(53):646-665. https://doi.org/10.3758/s13421-024-01592-x.Learning to control a brain-machine interface for reaching and grasping by primates / J. M. Carmena, M. A. Lebedev, R. E. Crist [et al.] // PLoS Biol. 2003. N 1 (2). P. e42.Carmena J.M. Lebedev M.A., Crist R.E., at al. Learning to control a brain-machine interface for reaching and grasping by primates. PLoS Biol. 2003;(1):e42. 8. Musk E. An integrated brain-machine interface platform with thousands of channels. J. Med. Internet. Res. 2019;(21):e16194. https://doi.org/10.2196/16194.Musk E. An integrated brain-machine interface platform with thousands of channels // J. Med. Internet. Res. 2019. N 21 (10). P. e16194. https://doi.org/10.2196/16194.Vidal J.J. Toward direct brain-computer communication. Annu. Rev. Biophys. Bioeng. 1973;(2):157-180. https://doi.org/10.1146/annurev.bb.02.060173.001105.Vidal J. J. Toward direct brain-computer communication // Annu. Rev. Biophys. Bioeng. 1973. N 2 (1). P. 157–180. https://doi.org/10.1146/annurev.bb.02.060173.001105.Hu K., Chen C., Meng Q., et al. Scientific profile of brain–computer interfaces: bibliometric analysis in a 10-year period. Neurosci. Lett. 2016;(635):61-66. https://doi.org/10.1016/j.neulet.2016.10.022.Scientific profile of brain-computer interfaces: bibliometric analysis in a 10-year period / K. Hu, C. Chen, Q. Meng [et al.] // Neurosci. Lett. 2016. N 635. P. 61–66. https://doi.org/10.1016/j.neulet.2016.10.022.Huang J., Huang L., Li Y., at al. A Bibliometric analysis of the application of braincomputer interface in rehabilitation medicine over the past 20 years. J. Multidiscip. Healthc. 2025;(18):1297-1317. https://doi.org/10.2147/JMDH.S509747.A Bibliometric analysis of the application of brain-computer interface in rehabilitation medicine over the past 20 years / J. Huang, L. Huang, Y. Li [et al.] // J. Multidiscip. Healthc. 2025. N 18. P. 1297–1317. https://doi.org/10.2147/JMDH.S509747.Santamaria-Vazquez E., Martinez-Cagigal V., Vaquerizo-Villar F., et al. EEG-inception: a novel deep convolutional neural network for assistive ERP-based brain-computer interfaces. IEEE Trans. Neural Syst. Rehabil. Eng. 2020;(28):2773-2782.EEG-inception: a novel deep convolutional neural network for assistive ERP-based brain-computer interfaces / E. Santamaria-Vazquez, V. Martinez-Cagigal, F. Vaquerizo-Villar [et al.] // IEEE Trans. Neural Syst. Rehabil. Eng. 2020. N 28 (12). P. 2773–2782.Kapsetaki M.E. Scientometric analysis of Greek publications on stereotactic and functional neurosurgery. Next Res. 2025;(2):e 100531. https://doi.org/10.1016/j.nexres.2025.100531.Kapsetaki M. E. Scientometric analysis of Greek publications on stereotactic and functional neurosurgery // Next Res. 2025. N 2 (3). P. 100531. https://doi.org/10.1016/j.nexres.2025.100531.Yin Z., Wan Y., Fang H., et al. Bibliometric analysis on brain-computer interfaces in a 30-year period. Appl. Intell. 2023;(53):16205-16225.Bibliometric analysis on brain-computer interfaces in a 30-year period / Z. Yin, Y. Wan, H. Fang [et al.] // Appl. Intell. 2023. N 53 (12). P. 16205–16225.Sakhavi S., Guan C., Yan S. Learning temporal information for brain-computer interface using convolutional neural networks. IEEE Trans. Neural Netw. Learn. Syst. 2018;(29):5619- 5629.Sakhavi S., Guan C., Yan S. Learning temporal information for brain-computer interface using convolutional neural networks // IEEE Trans. Neural Netw. Learn. Syst. 2018. N 29 (11). P. 5619–5629.Kapsetaki M.E. Brain-computer interfaces for memory enhancement: Scientometric analysis and future directions. Biomedical Signal Processing and Control. 2026;112:108904. https://doi.org/10.1016/j.bspc.2025.108904.Kapsetaki M. E. Brain-computer interfaces for memory enhancement: Scientometric analysis and future directions // Biomedical Signal Processing and Control. 2026. Vol. 112, pt. D. P. 108904. https://doi.org/10.1016/j.bspc.2025.108904.Lee E., Kang Y., Kim H., Lee J. Neurofeedback & P300 toolbox for neurorehabilitation: measurement and analysis of brain activity, network and cognitive decline-related P300. Biomed- ical Physics & Engineering Express. 2025;11(6):65004. https://doi.org/10.1088/2057-1976/ae0ad7.Neurofeedback & P300 toolbox for neurorehabilitation: measurement and analysis of brain activity, network and cognitive decline-related P300 / E. Lee, Y. Kang, H. Kim, J. Lee // Biomedical Physics & Engineering Express. 2025. Vol. 11, N 6. P. 65004. https://doi.org/10.1088/2057-1976/ae0ad7.Wetzel D., Jacobs P.-P., Winkler D., Grunert R. Significance of EEG-electrode combinations while calculating filters with common spatial patterns. Ger. Med. Sci. 2024;22. https://doi.org/10.3205/000334.Significance of EEG-electrode combinations while calculating filters with common spatial patterns / D. Wetzel, P.-P. Jacobs, D. Winkler, R. Grunert // Ger. Med. Sci. 2024. Vol. 22. https://doi.org/10.3205/000334.Chakole A.R., et al. Review of EEG signal classification. Information and Communica- tion Technology for Intelligent Systems: Proceedings of ICTIS 2018. Vol. 2. Singapore: Springer; 2019. P. 105–114. https://doi.org/10.1007/978-981-13-1747-7_11.Review of EEG signal classification / A. R. Chakole [et al.] // Information and Communication Technology for Intelligent Systems: Proceedings of ICTIS 2018. Singapore: Springer, 2019. Vol. 2. P. 105–114. https://doi.org/10.1007/978-981-13-1747-7_11.Kalach A.V., Kozhevnikov I.S., Kravchenko A.S., et al. Comparative analysis of the features of the architectures of decision support systems for adapting educational programs: from RuBERT to ontological graph models. Modelirovanie sistem i processov = Modeling Systems and Processes. 2025;18(3):62-70. (In Russ.) https://doi.org/10.12737/2219-0767-2025-18-3-62-70. EDN ESUQJE.Сравнительный анализ особенностей архитектур систем поддержки принятия peшений для адаптации образовательных программ: от RuBERT дo онтологически-графовых моделей / А. В. Калач, И. С. Кожевников, А. С. Кравченко [и др.] // Моделирование систем и процессов. 2025. Т. 18, № 3. С. 62—70. https://doi.org/10.12737/2219-0767-2025-18-3-62-70. EDN ESUQIJE.Lu Y., Wang W., Lian B., He C. Feature Extraction and Classification of Motor Imagery EEG Signals in Motor Imagery for Sustainable Brain – Computer Interfaces. Sustainability. 2024;16:6627. https://doi.org/10.3390/su16156627.Feature Extraction and Classification of Motor Imagery EEG Signals in Motor Imagery for Sustainable Brain — Computer Interfaces / Y. Lu, W. Wang, В. Lian, С. He // Sustainability. 2024. Vol. 16. P. 6627. https://doi.org/10.3390/sul6156627.Nambiar A., Sivakumar R., Subramaniam S. Detection of Four Class Motor Imagery from EEG Signal for Brain-Computer Interface Applications. Applied Mathematics, Modeling and Computer Simulation. 2023. https://doi.org/10.3233/ATDE231028.Nambiar А., Sivakumar R., Subramaniam S. Detection of Four Class Motor Imagery from EEG Signal for Brain-Computer Interface Applications // Applied Mathematics, Modeling and Computer Simulation. 2023. https://doi.org/10.3233/ATDE231028.Stankevich L.A., Zhuravskaya A. Control of a mobile robot based on a neurointerface. Ekstremal'naya robototekhnika = Extreme Robotics. 2022;(1):348-354. (In Russ.) EDN: RWPBSY.Станкевич Л. А., Журавская А. Управление мобильным роботом на основе нейроинтерфейса // Экстремальная робототехника. 2022. № 1 (33). С. 348-354. EDN: RWPBSY.Zhuravlev D.V., Golubinsky A.N., Reznichenko A.A. Universal software and hardware complex for controlling robotic devices based on the principles of operation of synchronous or asynchronous brain-computer interfaces. Zhurnal radioelektroniki = Journal of Radio Electron- ics. 2025;(1):9. https://doi.org/https://doi.org/10.30898/1684-1719.2025.1.1. (In Russ.)Журавлев Д. B., Голубинский А. H., Резниченко А. А. Универсальный программно-аппаратный комплекс для управления роботизированными устройствами на основе принципов работы синхронного или асинхронного интерфейсов «мозг-компьютер» // Журнал радиоэлектроники. 2025. № 1. С. 9. https://doi.org/10.30898/1684-1719.2025.1.1.Kingma D.P. Adam: A method for stochastic optimization. Available at: https://archive.org/details/arxiv-1412.6980 (accessed 10.03.2026).Kingma D. Р. Adam: A method for stochastic optimization // archive.org. URL: https://archive.org/details/arxiv-1412.6980 (дата обращения: 10.03.2026).Kingma D. Р. Adam: A method for stochastic optimization // archive.org. URL: https://archive.org/details/arxiv-1412.6980 (дата обращения: 10.03.2026).

The authors declare that there are no conflicts of interest present.