Розмір шрифта:
АНАЛІЗ ГІБРИДНОЇ МОДЕЛІ BILSTM–BIGRU ДЛЯ КЛАСИФІКАЦІЇ EEG СИГНАЛІВ МОТОРНОЇ УЯВИ У СИСТЕМАХ КЕРУВАННЯ ІНВАЛІДНИМИ ВІЗКАМИ
Остання редакція: 2026-04-29
Анотація
У роботі проаналізовано сучасні підходи до створення інтелектуальних систем керування інвалідними візками на основі мозково комп’ютерних інтерфейсів (BCI). Особливу увагу приділено використанню електроенцефалографічних (EEG) сигналів моторної уяви для hands free навігації. Розглянуто застосування гібридної моделі BiLSTM–BiGRU, яка демонструє високу точність класифікації EEG сигналів та перевищує результати базових алгоритмів. Отримані результати підтверджують перспективність поєднання глибинного навчання та BCI у сфері реабілітаційних технологій, спрямованих на підвищення автономності осіб з обмеженими можливостями.
ANALYSIS OF THE BILSTM–BIGRU HYBRID MODEL FOR CLASSIFICATION OF MOTOR IMAGERY EEG SIGNALS IN WHEELCHAIR CONTROL SYSTEMS
Abstracts:
This paper analyzes modern approaches to developing intelligent control systems for wheelchairs based on brain-computer interfaces (BCI). Particular attention is paid to the use of electroencephalographic (EEG) signals of motor imagery for hands-free navigation. The application of the hybrid BiLSTM–BiGRU model is examined, which demonstrates high accuracy in classifying EEG signals and outperforms the results of baseline algorithms. The results confirm the promise of combining deep learning and BCI in the field of rehabilitation technologies aimed at increasing the autonomy of people with disabilities.
ANALYSIS OF THE BILSTM–BIGRU HYBRID MODEL FOR CLASSIFICATION OF MOTOR IMAGERY EEG SIGNALS IN WHEELCHAIR CONTROL SYSTEMS
Abstracts:
This paper analyzes modern approaches to developing intelligent control systems for wheelchairs based on brain-computer interfaces (BCI). Particular attention is paid to the use of electroencephalographic (EEG) signals of motor imagery for hands-free navigation. The application of the hybrid BiLSTM–BiGRU model is examined, which demonstrates high accuracy in classifying EEG signals and outperforms the results of baseline algorithms. The results confirm the promise of combining deep learning and BCI in the field of rehabilitation technologies aimed at increasing the autonomy of people with disabilities.
Ключові слова
електроенцефалографія; мозково комп’ютерний інтерфейс; гібридна модель BiLSTM–BiGRU; моторна уява; electroencephalography; brain-computer interface; BiLSTM–BiGRU hybrid model; motor imagery
Посилання
1. Thapa, B., Paneru, B., Paneru, B., Poudyal, K.N. EEG-based AI-BCI Wheelchair Advancement: Hybrid Deep Learning with Motor Imagery for Brain Computer Interface [Електронний ресурс]. ResearchGate. URL: https://www.researchgate.net/publication/396048145_EEG-based_AI-BCI_Wheelchair_Advancement_Hybrid_Deep_Learning_with_Motor_Imagery_for_Brain_Computer_Interface (дата звернення: 28.04.2026).
2. Волпоу Дж.Р., Волпоу Е.В. Мозково комп’ютерні інтерфейси: принципи та практика. Оксфорд: Oxford University Press, 2012.
3. Нідермайєр Е., да Сілва Ф.Л. Електроенцефалографія: базові принципи, клінічні застосування та суміжні галузі. Філадельфія: Lippincott Williams & Wilkins, 2004.
4. Гохрайтер Ш., Шмідхубер Ю. Довготривала пам’ять (Long Short-Term Memory). Neural Computation. 1997. Т. 9(8). С. 1735–1780.
5. Python Software Foundation. Python Official Website [Електронний ресурс]. URL: https://www.python.org (дата звернення: 28.04.2026).
6. Raspberry Pi Foundation. Raspberry Pi Official Website [Електронний ресурс]. URL: https://www.raspberrypi.org (дата звернення: 28.04.2026).
7. Hasan, R., et al. Multimodal BCI systems for wheelchair control: integration of EEG, EOG and EMG signals. Biomedical Engineering Letters. 2020.
8. Sur, S., Sinha, V.K. Event-related potential: An overview. Industrial Psychiatry Journal. 2009. Vol. 18(1). P. 70–73.
9. XGBoost Developers. XGBoost Official Website [Електронний ресурс]. URL: https://xgboost.ai (дата звернення: 28.04.2026).
10. Lawhern, V.J., et al. EEGNet: A Compact Convolutional Neural Network for EEG-based Brain-Computer Interfaces. Journal of Neural Engineering. 2018. та GitHub репозиторій [Електронний ресурс]. URL: https://github.com/vlawhern/EEGNet (дата звернення: 28.04.2026).
11. Vaswani, A., et al. Attention Is All You Need. Advances in Neural Information Processing Systems. 2017. та HuggingFace Transformers [Електронний ресурс]. URL: https://huggingface.co/transformers (huggingface.co in Bing) (дата звернення: 28.04.2026).
2. Волпоу Дж.Р., Волпоу Е.В. Мозково комп’ютерні інтерфейси: принципи та практика. Оксфорд: Oxford University Press, 2012.
3. Нідермайєр Е., да Сілва Ф.Л. Електроенцефалографія: базові принципи, клінічні застосування та суміжні галузі. Філадельфія: Lippincott Williams & Wilkins, 2004.
4. Гохрайтер Ш., Шмідхубер Ю. Довготривала пам’ять (Long Short-Term Memory). Neural Computation. 1997. Т. 9(8). С. 1735–1780.
5. Python Software Foundation. Python Official Website [Електронний ресурс]. URL: https://www.python.org (дата звернення: 28.04.2026).
6. Raspberry Pi Foundation. Raspberry Pi Official Website [Електронний ресурс]. URL: https://www.raspberrypi.org (дата звернення: 28.04.2026).
7. Hasan, R., et al. Multimodal BCI systems for wheelchair control: integration of EEG, EOG and EMG signals. Biomedical Engineering Letters. 2020.
8. Sur, S., Sinha, V.K. Event-related potential: An overview. Industrial Psychiatry Journal. 2009. Vol. 18(1). P. 70–73.
9. XGBoost Developers. XGBoost Official Website [Електронний ресурс]. URL: https://xgboost.ai (дата звернення: 28.04.2026).
10. Lawhern, V.J., et al. EEGNet: A Compact Convolutional Neural Network for EEG-based Brain-Computer Interfaces. Journal of Neural Engineering. 2018. та GitHub репозиторій [Електронний ресурс]. URL: https://github.com/vlawhern/EEGNet (дата звернення: 28.04.2026).
11. Vaswani, A., et al. Attention Is All You Need. Advances in Neural Information Processing Systems. 2017. та HuggingFace Transformers [Електронний ресурс]. URL: https://huggingface.co/transformers (huggingface.co in Bing) (дата звернення: 28.04.2026).
Повний текст:
PDF