moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2019.24.1.025 555 КОДОВЫЕ ОБРАЗЫ СИГНАЛОВ ЭЛЕКТРОЭНЦЕФАЛОГРАММЫ ДЛЯ УПРАВЛЕНИЯ РОБОТОТЕХНИЧЕСКИМИ УСТРОЙСТВАМИ ПОСРЕДСТВОМ ИНТЕРФЕЙСА МОЗГ-КОМПЬЮТЕР CODE IMAGES OF ELECTRIC CELL INFORMATION SIGNAL SIGNALS FOR CONTROLLING ROBOT-TECHNICAL DEVICES BY MEANS OF BRAIN-COMPUTER INTERFACE Federal State Educational Institution of Higher Educati Филист Сергей Алексеевич Filist Sergey Alekseevich SFilist@gmail.com aff-1 Петрунина Елена Валерьевна Petrunina Elena Valeryevna petrunina@mggeu.ru aff-2 Трифонов Андрей Андреевич Trifonov andrey andreyevich Trifonov Andrey aff-3 Серебровский Андрей Вадимович Serebrovsky Andrei Vadimovich aff-4 Федеральное государственное образовательное учреждение высшего образования «Юго-Западный государственный университет» Federal State Educational Institution of Higher Education «South-West State University» Федеральное государственное образовательное учреждение высшего образования «Юго-Западный государственный университет» Federal State Educational Institution of Higher Education «South-West State University» Федеральное государственное образовательное учреждение высшего образования «Юго-Западный государственный университет» ANDREYEVICH Федеральное государственное образовательное учреждение высшего образования «Юго-Западный государственный университет» Federal State Educational Institution of Higher Education «South-West State University» 01 01 2026 1 1 10.26102/2310-6018/2019.24.1.025 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Для дешифрации ЭЭГ в интерфейсах мозг-компьютер предлагается метод, основанный на использовании кодовых образов, полученных посредством формирования множества кодовых сообщений на определенном отрезке ЭЭГ. Кодовое сообщение формируется путем кодирования сигналов ЭЭГ на выходах блока полоснопропускающих фильтров. В частотном диапазоне ЭЭГ выделяются четыре частотных полосы, что соответствует четырем каналам на каждое отведение ЭЭГ. Кодовые сообщения четырех каналов формируют образ ЭЭГ, при декодировании которого получают управляющие сигналы, поступающие на сервоприводы робототехнического устройства. Образ из кодовых сообщений формируется на основе теории мультимножеств. Для обучения классификатора образов ЭЭГ используется программно-аппаратный комплекс, включающий электромиограф, электроэнцефалограф, блок полосно-пропускающих фильтров и вычислительное устройство, осуществляющее дискретизацию сигналов с выходов электромиографа и блока полосно-пропускающих фильтров. Метка класса образа определялась по сигналу отведения электромиографа, соответствующему классифицируемой двигательной единице. В базу данных помещаются записи с полями кодового образа и соответствующей метки класса управляющей команды. Предложенный метод является альтернативой методу дешифрации ЭЭГ на основе биологической обратной связи

A method based on the use of code images obtained by generating a set of code messages on a certain EEG segment is proposed for decoding EEG in brain-computer interfaces. A code message is generated by encoding EEG signals at the outputs of a block of band-pass filters. In the frequency range of the EEG, four frequency bands are allocated, which corresponds to four channels for each EEG lead. The code messages of the four channels form the image of the EEG, which, when decoded, receives control signals to the servos of the robotic device. The image of the code messages is formed on the basis of the theory of multisets. For training the EEG image classifier, a software and hardware complex is used, including an electromyograph, an electroencephalograph, a band-pass filter unit and a computing device that discrete the signals from the electromyograph output and the band pass filter unit. The label of the image class was determined by the electromyograph lead signal corresponding to the motor unit being classified. Records with the fields of the code image and the corresponding class label of the control command are placed in the database. The proposed method is an alternative to the method of EEG decoding based on biofeedback.

 интерфейс мозг-компьютер электроэнцефалограмма электромиограмма образ кодовых сообщений мультимножество обучаемый классификатор, алгоритм обучаемый классификатор, алгоритм, обучающая выборка brain-computer interface electroencephalogram electromyogram image of code messages multiset learner classifier algorithm, training sample Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Gerardin Е., Sirigu A., Leherici S. et al. Partially overlapping neural networks for real and imagined hand movements. Cerebral Cortex. 2000. V. 10. P. 1093. Черникова Л.А., Мокиенко О.А., Рощин В.Ю., Бобров П.Д., Фролов А.А. Способ реабилитации больных, перенесших инсульт. Патент RU 2523349. Котов С.В., Турбина Л.Г., Бобров П.Д., Фролов А.А., Павлова О.Г., Курганская М.Е., Бирюкова Е.В. Применение комплекса «интерфейс “мозг-компьютер” и экзоскелет» и техники воображения движения для реабилитации после инсульта // Альманах клинической медицины. – 2015. –№ 39. – С. 15-21. Сотников П.И. Обзор методов обработки сигнала электроэнцефалограммы в интерфейсах мозг-компьютер // Инженерный вестник. МГТУ им. Н.Э. Баумана. Электронный научно-технический журнал. – 2014. – № 10. – С. 621-632. Рыбочкин А.Ф., Савельев C.В., Плесканос Л.В. Анализ фотоплетизмограммы с использованием кодовых сообщений//Биомедицинская радиоэлектроника №2 2010. С.43-48. Сотников П.И. Выбор оптимальных частотных диапазонов сигнала электроэнцефалограммы в интерфейсе мозг-компьютер // Наука и Образование. МГТУ им. Н.Э. Баумана. Электрон. журн. – 2015. – № 06. – С. 217-234. Пятин В.Ф., Колсанов А.В., Сергеева М.С. и др. Информационные возможности использования мю- и бета-ритмов ЭЭГ доминантного полушария в конструировании нейрокомпьютерного интерфейса // Фундаментальные исследования. – 2015. – № 2-5. – С. 975-978. Станкевич Л.А., Сонькин К.М., Шемякина Н.В. и др. Классификация ЭЭГ-паттернов воображаемых движений пальцами одной руки, выполняемых в заданном ритме // Физиология человека. – 2016. – Т. 42. – № 1. С. 40-52. Кудрявцев, П.С. Развитие методологии бустинга для классификации флюорограмм грудной клетки / П.С. Кудрявцев, А.А. Кузьмин, С.А. Филист// Биомедицинская радиоэлектроника. – 2016. – №9. – С. 10-14. Филист С.А., Шаталова О.В., Ефремов М.А. Гибридная нейронная сеть с макрослоями для медицинских приложений//Нейрокомпьютеры. Разработка и применение, 2014. - №6. - С. 35-39.

The authors declare that there are no conflicts of interest present.