ЕФЕКТИВНІСТЬ ВИКОРИСТАННЯ ПЛАТИ OPENBCI ДЛЯ КЛАСИФІКАЦІЇ МОТОРНОЇ УЯВИ
DOI: https://doi.org/10.17721/1728.2748.2025.102.48-52
Ключові слова:
OpenBCI, моторне уявлення, нейрозворотний зв’язок (нейрофідбек), нейрореабілітація, інтерфейс мозок-комп’ютерАнотація
У роботі розглянуто можливість використання інтерфейсів мозок-комп’ютер (BCI) на основі моторної уяви (motor imagery) у контексті сучасної нейрореабілітації. Моторна уява як неінвазивна модальність BCI дозволяє реалізовувати управління пристроями без фізичного руху, що робить її особливо перспективною для застосування у відновленні рухових функцій після інсульту, травм або нейродегенеративних захворювань.
Особливу увагу приділено платформі OpenBCI — відкритому апаратно-програмному рішенню для зчитування електроенцефалографічних (ЕЕГ) сигналів. Актуальність дослідження зумовлена необхідністю створення доступних, портативних та ефективних BCI-систем, придатних до використання поза лабораторією. Попри обмежену точність у порівнянні з комерційними ЕЕГ-системами, OpenBCI має значний потенціал завдяки своїй відкритості, модульності та низькій вартості.
Метою роботи є аналіз ефективності BCI-системи на основі OpenBCI для розпізнавання моторної уяви, зокрема у завданнях реабілітації. Об’єктом дослідження є система мозок-комп’ютер з неінвазивним зчитуванням сигналів. Предметом дослідження виступають алгоритми та техніки, що підвищують точність класифікації моторної уяви на основі сигналів ЕЕГ, зібраних за допомогою OpenBCI.
Методологічно дослідження ґрунтується на аналізі наукових публікацій, у яких використовувалися методи просторової фільтрації, машинного навчання (зокрема глибинного), візуального нейрофідбеку, адаптивної стимуляції, а також оптимізація тривалості вікна сигналу. В якості інформаційного джерела використано наукові статті, опубліковані у базах IEEE Xplore, MDPI, Springer Nature, Frontiers, IOPscience та інших.
Робота має на меті систематизувати сучасні підходи до підвищення точності класифікації моторної уяви з використанням OpenBCI та окреслити перспективи їхнього впровадження у персоналізовану систему реабілітації. Також розглядаються переваги та виклики, пов’язані з використанням відкритих BCI-рішень у клінічних та позаклінічних умовах.
Посилання
Branco, M. P., Pels, E. G. M., Sars, R. H., Aarnoutse, E. J., Ramsey, N. F., Vansteensel, M. J., & Nijboer, F. (2021). Brain-Computer Interfaces for Communication: Preferences of Individuals With Locked-in Syndrome. Neurorehabilitation and neural repair, 35(3), 267–279. https://doi.org/10.1177/1545968321989331.
Agarwal, M., & Sivakumar, R. (2015). THINK: toward practical General-Purpose Brain-Computer communication. HotWireless ’15, 41–45. https://doi.org/10.1145/2799650.2799659.
Suryotrisongko, H., & Samopa, F. (2015). Evaluating OpenBCI Spiderclaw V1 Headwear’s electrodes placements for Brain-Computer Interface (BCI) Motor Imagery Application. Procedia Computer Science, 72, 398–405. https://doi.org/10.1016/j.procs.2015.12.155.
Cely, A. X. G., Blanco-Diaz, C. F., Mendez, C. D. G., Parra, A. C. V., & Bastos-Filho, T. F. (2024b). Classification of opening/closing hand motor imagery induced by left and right robotic gloves through EEG signals. Transactions on Energy Systems and Engineering Applications, 5(2), 1–9. https://doi.org/10.32397/tesea.vol5.n2.579.
Kabeer, A. M., Megalingam, R. K., & Sakthiprasad, K. M. (2024). Brain–Computer Interfaces for Mobility Assistance: A Comparative Analysis of EEG-Based Classification Models for Brain-Controlled Wheelchairs. In Smart innovation, systems and technologies (pp. 245–256). https://doi.org/10.1007/978-981-97-6810-3_20.
Yohanandan, S. A., Kiral-Kornek, I., Tang, J., Mshford, B. S., Asif, U., & Harrer, S. (2018). A robust Low-Cost EEG motor Imagery-Based Brain-Computer interface. IEEE, 5089–5092. https://doi.org/10.1109/embc.2018.8513429.
Aalborg Universitet, & Leerskov, K. (2024). Hybrid FES-Robotic Rehabilitation System for Lower Limb Neurorehabilitation: Design and evaluation (By L. N. S. Andreasen Struijk, E. G. Spaich, R. G. Larsen, S. Crea, & P. Kidmose) [Aalborg University Open Publishing]. https://vbn.aau.dk/ws/portalfiles/portal/768141147/PHD_KL_ONLINE.pdf.
Cely, A. X. G., Blanco-Diaz, C. F., Mendez, C. D. G., Parra, A. C. V., & Bastos-Filho, T. F. (2024). Classification of opening/closing hand motor imagery induced by left and right robotic gloves through EEG signals. Transactions on Energy Systems and Engineering Applications, 5(2), 1–9. https://doi.org/10.32397/tesea.vol5.n2.579.
Kabeer, A. M., Megalingam, R. K., & Sakthiprasad, K. M. (2024b). Brain–Computer Interfaces for Mobility Assistance: A Comparative Analysis of EEG-Based Classification Models for Brain-Controlled Wheelchairs. In Smart innovation, systems and technologies (pp. 245–256). https://www.researchgate.net/publication/385389496_Brain-Computer_Interfaces_for_Mobility_Assistance_A_Comparative_Analysis_of_EEG-Based_Classification_Models_for_Brain-Controlled_Wheelchairs.
