ОЦІНКА СТІЙКОСТІ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ ДЛЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ НЕЙРОКОМП'ЮТЕРНОГО ІНТЕРФЕЙСУ З ВИКОРИСТАННЯМ РОЗПОДІЛЕНИХ ТА ПАРАЛЕЛЬНИХ КОМП'ЮТЕРНИХ ОБЧИСЛЕНЬ

Анотація

Ця стаття висвітлює галузь інформаційних технологій для взаємодії мозок-комп’ютер, і головна мета полягає в тому, щоб використовувати їх для визначення моделей активності мозку людини за допомогою даних електроенцефалографії (ЕЕГ). Під час виконання статті були використані методи машинного навчання, а саме такі класифікатори, як випадковий ліс, багатошаровий персептрон  і логістична регресія. Досліджування починається з реальних експериментів із записом сигналів ЕЕГ під час виконання завдань з рухами пальців, що дає цінне розуміння складної динаміки роботи та взаємодії мозку.

Використовуючи 10-кратну перехресну перевірку, продуктивність кожного класифікатора ретельно оцінюється за різними показниками, включаючи accuracy, f1_weighted та roc_auc_ovr_weighted. За допомогою цього процесу оцінюється надійність і узгодженість продуктивності класифікатора з обчисленням значень дисперсії для вимірювання мінливості між ітераціями. Результати виявляють тонкі відмінності між класифікаторами, причому багатошаровий персептрон демонструє найвищу стійкість, за ним йдуть логістична регресія та випадковий ліс.

Основною метою статті було з’ясувати важливість такого параметра продуктивності класифікатора, як стійкість. Стійкість програмного забезпечення є ключовою характеристикою, особливо в медичних додатках, де послідовна та надійна робота інформаційних технологій має першочергове значення. Нейроінтерфейси пропонують багато способів вирішення різних проблем кінцівок, травм спинного мозку та неврологічних захворювань у людей. Ці пристрої сприяють покращенню якості життя шляхом мінімізації цих проблем у людей, що призводить до збільшення мобільності та функціональних можливостей людей. У статті також наголошується на потенціалі, пов’язаному з трансформацією технологій нейроінтерфейсів у розширенні можливостей людини та революції у взаємодії людини з машиною.

Підсумовуючи, дослідження робить внесок у розвиток взаємодії мозку та комп’ютера шляхом використання алгоритмів машинного навчання для декодування нейронних сигналів і виявлення прихованих закономірностей у даних ЕЕГ. Визначивши найстабільніший класифікатор, дослідження закладає основу для розробки надійних технологій нейроінтерфейсу з практичним застосуванням у сфері охорони здоров’я, реабілітації тощо. Завдяки міждисциплінарному співробітництву та інноваційним методологіям продовжується шлях до розкриття повного потенціалу взаємодії мозку та комп’ютера, що обіцяє нові горизонти в розвитку людського потенціалу та технологічних інноваціях.