Исследование алгоритмов на основе методов машинного обучения для адаптивного декодирования электроэнцефалограммы и преодоления резистентности в нейроинтерфейсах

В статье рассматривается проблема снижения эффективности нейроинтерфейсов, вызванная психофизиологической резистентностью пользователей и нестационарностью сигналов электроэнцефалограммы в ходе длительной работы. Разработана классификация нейроинтерфейсов по способу получения сигнала, принципу действия и функциональному назначению. Рассмотрены стадии работы нейроинтерфейса. Исследуются алгоритмы, способствующие сокращению резистентности при работе нейроинтерфейсов. Проведен сравнительный анализ алгоритмов CSP, LDA SVM, LSTM, Gradient Boosting, EEGNet и римановой геометрии для декодирования сигналов электроэнцефалограммы и психофизиологических показателей. Выявлено, что гибридная архитектура LSTM+Gradient Boosting демонстрирует наивысшую точность в классификации типов резистентности. Отмечено, что комбинированный анализ нейрофизиологических и вегетативных сигналов повышает точность детекции резистентности по сравнению с использованием только паттернов электроэнцефалограммы. Разработан алгоритм декодирования сигнала электроэнцефалограммы на основе методов машинного обучения, обеспечивающий учет индивидуальных различий, адаптацию и интерпретируемость моделей, а также обработку нестационарности сигналов. Разработанный алгоритм позволит осуществлять раннюю диагностику психофизиологической резистентности и может быть интегрирован в систему адаптивного управления нейроинтерфейсом.