Программно-аппаратный комплекс обеспечения функционирования интерфейса типа «мозг-компьютер»

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. 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. 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. 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.

1. 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. N 11(2). P. 110–113.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

16. 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.

17. 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.

18. 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.

19. 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.

20. 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.

21. 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.

22. 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.

23. Станкевич Л. А., Журавская А. Управление мобильным роботом на основе нейроинтерфейса // Экстремальная робототехника. 2022. № 1 (33). С. 348-354. EDN: RWPBSY.

24. 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.

25. Kingma D. Р. Adam: A method for stochastic optimization // archive.org. URL: https://archive.org/details/arxiv-1412.6980 (дата обращения: 10.03.2026).