Архив номеров
Медицинская Техника / Медицинская техника №2, 2024 / с. 37-41

Комплексный подход к повышению качества биоуправления роботизированными колясками

Т.В. Истомина, Е.В. Петрунина, Е.В. Копылова


Аннотация 

Рассмотрена актуальная проблема повышения качества биоуправления роботизированными колясками, для решения которой предложен комплексный подход на основе сочетанного применения методов взглядоуправления и нейроуправления и рассмотрены этапы его реализации. 
Рассмотрены проблемы, возникающие при создании управляемых взглядом роботизированных средств передвижения. Проанализированы проблемы, возникающие при реализации биоуправления, и пути их решения. Разработана базирующаяся на использовании международной базы сигналов методика выбора наиболее эффективных электроэнцелографических отведений.
Разработана архитектура сверточной нейросети для совместной классификации сигналов айтрекинга и мозга. Приводятся результаты исследования нейросетей, которые показали максимальную точность предсказания на предобученной модели «InceptionV3».


Вернуться к содержанию

Сведения об авторах

Татьяна Викторовна Истомина, д-р техн. наук, профессор, кафедра «СМАРТ-технологии», ФГАОУ ВО «Московский политехнический университет», г. Москва, ведущ. научный сотрудник, центр сопровождения научных исследований, ФГБОУ ВО «Пензенский государственный технологический университет», г. Пенза, профессор, кафедра основ радиотехники, НИУ «Московский энергетический институт», г. Москва, 
Елена Валерьевна Петрунина, канд. техн. наук, доцент, зав. кафедрой, кафедра «СМАРТ-технологии», ФГАОУ ВО «Московский политехнический университет», 
Елена Владимировна Копылова, канд. техн. наук, доцент, кафедра основ радиотехники, НИУ «Московский энергетический институт», г. Москва, 

Список литературы

1. Nikolskiy A.E., Petrunina E.V., Istomina T.V. Modern methods and means of rehabilitation and social adaptation (physical and rehabilitation medicine). – Saarbrucken: LAP Lambert Academic Publishing, 2019. P. 228. 
2. Ghorbel A., Nader B.A., Jallouli M. A survey on different human-machine interactions used for controlling an electric wheelchair // Procedia Computer Science. 2019. Vol. 159. PP. 398-407. 
3. Voznenko T.I., Chepin E.V., Urvanov G.A. The Control System Based on Extended BCI for a Robotic Wheelchair // Procedia Computer Science. 2018. Vol. 123. PP. 522-527. 
4. Chang Liu, Jing Jin, Ren Xu2, Shurui Li et al. Distinguishable spatial-spectral feature learning neural network framework for motor imagery-based brain-computer interface // Journal of Neural Engineering. 2021. Vol. 18. № 4. PP. 348-357. 
5. Kar A. MLGaze: Machine Learning-Based Analysis of Gaze Error Patterns in Consumer Eye Tracking Systems // Vision. 2020. № 4 (2). P. 32. 
6. Domik G.О. Computer Visualization – Concepts, trends and current research // Lecture Notes on Computer Science. 1996. Vol. 1175. PP. 178-196. 
7. Kaufman A.E., Nielson G.M., Rosenblum L.J. The visualization revolution // IEEE Computer Graph. & Appl. 1993. Vol. 13. № 4. PP. 163-175. 
8. Spirkin A., Istomina T. et al. Development of the structure of a robotic complex for the rehabilitation of a patient with amputation of the lower limbs / IEEE PROCEEDINGS OF ITNT 2023. The IXth International Conference on Information Technology and Nanotechnology. 2023. Art.: 10139120. 
9. Istomina T.V., Petrunina E.V. et al. Monitoring the Biophysical Status of People with Disability in Gaze-Controlled Wheelchairs // Biomedical Engineering. 2022. Vol. 56. № 4. PP. 268-272. 
10. Tayeb Z., Fedjaev J., Ghaboosi N. et al. Validating Deep Neural Networks for Online Decoding of Motor Imagery Movements from EEG Signals // Sensors. 2019. Vol. 19. № 1. PP. 210-219. 
11. Zhang X., Liu X., Yuan S. et al. Eye tracking based control system for natural human-computer interaction // Computer Intelligence and Neuroscience. 2017. December. PP. 1-9. 
12. Liu C., Jin J., Daly I., Li S. et al. SincNet-Based Hybrid Neural Network for Motor Imagery EEG Decoding // IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2022. Vol. 30. PP. 540-549. 
13. Lawhern V.J., Solon A.J., Waytowich N.R. et al. EEGNet: A compact convolutional neural network for EEG-based brain- computer interfaces // Journal of Neural Engineering. 2018. Vol. 15. № 5. PP. 368-382. 
14. Hu H., Pu Z., Li H., Liu Z., Wang P. Learning Optimal Time- Frequency-Spatial Features by the CiSSA-CSP Method for Motor Imagery EEG Classification // Sensors. 2022. Vol. 22 (21). PP. 8526-8534. 
15. Khademi Z., Ebrahim M. et al. A transfer learning-based CNN and LSTM hybrid deep learning model to classify motor imagery EEG signals // Computers in Biology and Medicine. 2022. Vol. 143. P. 21.