Експериментальна оцінка послідовностей попередньої обробки електроенцефалографічних сигналів для малоканальних інтерфейсів мозок–комп’ютер реального часу
DOI:
https://doi.org/10.32515/2664-262X.2026.13(44).90-96Ключові слова:
комп’ютерна система, електроенцефалографічна обробка сигналів, алгоритми обробки даних, цифрова фільтрація, контроль якості сигналу, інтерфейс людина-машинаАнотація
У роботі досліджено послідовності попередньої обробки електроенцефалографічних сигналів для неінвазивних малоканальних інтерфейсів мозок–комп’ютер реального часу. Проаналізовано вплив видалення DC-складової, режекторної та смугової фільтрації на спектральні характеристики ЕЕГ-сигналу. Сформовано та кількісно обґрунтовано узагальнені послідовності обробки, придатні для проміжної валідації якості сигналу та забезпечення балансу між якістю обробки й обчислювальними обмеженнями.
Посилання
Список літератури
1. Caiado F., Ukolov A. The history, current state and future possibilities of the non-invasive brain computer interfaces. Medicine in Novel Technology and Devices. 2025. Vol. 25. P. 100353. DOI: 10.1016/j.medntd.2025.100353.
2. Nonstationary nature of the brain activity as revealed by EEG/MEG: Methodological, practical and conceptual challenges / A. Y. Kaplan et al. Signal Processing. 2005. Vol. 85, no. 11. P. 2190–2212. DOI: 10.1016/j.sigpro.2005.07.010.
3. Linear Modeling of Neurophysiological Responses to Speech and Other Continuous Stimuli: Methodological Considerations for Applied Research / M. J. Crosse et al. Frontiers in Neuroscience. 2021. Vol. 15. DOI: 10.3389/fnins.2021.705621.
4. Venkatachalam K. L., Herbrandson J. E., Asirvatham S. J. Signals and Signal Processing for the Electrophysiologist. Circulation: Arrhythmia and Electrophysiology. 2011. Vol. 4, no. 6. P. 965–973. DOI: 10.1161/circep.111.964304.
5. Rejer I., Cieszyński Ł. Independent component analysis for a low-channel SSVEP-BCI. Pattern Analysis and Applications. 2018. Vol. 22, no. 1. P. 47–62. DOI: 10.1007/s10044-018-0758-4.
6. Rejer I., Górski P. MAICA: an ICA-based method for source separation in a low-channel EEG recording. Journal of Neural Engineering. 2019. Vol. 16, no. 5. P. 056025. DOI: 10.1088/1741-2552/ab36db.
7. Comparison of the accuracy of machine learning algorithms for brain-computer interaction based on high-performance computing technologies / V. Stefanyshyn et al. Scientific journal of the Ternopil national technical university. 2024. Vol. 115, no. 3. P. 82–90. DOI: 10.33108/visnyk_tntu2024.03.082
8. Матвєєва Н., Іваниця Д. Попередня обробка та аналіз ЕКГ сигналів. Herald of Khmelnytskyi National University. Technical sciences. 2025. Т. 355, № 4. С. 388–394. DOI: 10.31891/2307-5732-2025-355-55
9. Mdluli B., Khumalo P., Maswanganyi R. C. Signal Preprocessing, Decomposition and Feature Extraction Methods in EEG-Based BCIs. Applied Sciences. 2025. Vol. 15, no. 22. P. 12075. DOI: 10.3390/app152212075.
10. Orekhova E. V., Wallin B. G., Hedström A. Modification of the Average Reference Montage. Journal of Clinical Neurophysiology. 2002. Vol. 19, no. 3. P. 209–218. DOI: 10.1097/00004691-200206000-00004.
11. Aydın S., Melek M., Gökrem L. Intersession Robust Hybrid Brain–Computer Interface: Safe and User-Friendly Approach with LED Activation Mechanism. Micromachines. 2025. Vol. 16, no. 11. P. 1264. DOI: 10.3390/mi16111264.
12. A Review on Signal Processing Approaches to Reduce Calibration Time in EEG-Based Brain–Computer Interface / X. Huang et al. Frontiers in Neuroscience. 2021. Vol. 15. DOI: 10.3389/fnins.2021.733546.
References
1. Caiado, F., & Ukolov, A. (2025). The history, current state and future possibilities of the non-invasive brain computer interfaces. Medicine in Novel Technology and Devices, 25, 100353. https://doi.org/10.1016/j.medntd.2025.100353
2. Kaplan, A. Y., Fingelkurts, A. A., Fingelkurts, A. A., Borisov, S. V., & Darkhovsky, B. S. (2005). Nonstationary nature of the brain activity as revealed by EEG/MEG: Methodological, practical and conceptual challenges. Signal Processing, 85(11), 2190–2212. https://doi.org/10.1016/j.sigpro.2005.07.010
3. Crosse, M. J., Zuk, N. J., Di Liberto, G. M., Nidiffer, A. R., Molholm, S., & Lalor, E. C. (2021). Linear modeling of neurophysiological responses to speech and other continuous stimuli: Methodological considerations for applied research. Frontiers in Neuroscience, 15. https://doi.org/10.3389/fnins.2021.705621
4. Venkatachalam, K. L., Herbrandson, J. E., & Asirvatham, S. J. (2011). Signals and signal processing for the electrophysiologist. Circulation: Arrhythmia and Electrophysiology, 4(6), 965–973. https://doi.org/10.1161/circep.111.964304
5. Rejer, I., & Cieszyński, Ł. (2018). Independent component analysis for a low-channel SSVEP-BCI. Pattern Analysis and Applications, 22(1), 47–62. https://doi.org/10.1007/s10044-018-0758-4
6. Rejer, I., & Górski, P. (2019). MAICA: An ICA-based method for source separation in a low-channel EEG recording. Journal of Neural Engineering, 16(5), 056025. https://doi.org/10.1088/1741-2552/ab36db
7. Mdluli, B., Khumalo, P., & Maswanganyi, R. C. (2025). Signal preprocessing, decomposition and feature extraction methods in EEG-based BCIs. Applied Sciences, 15(22), 12075. https://doi.org/10.3390/app152212075
8. Matvieieva, N., & Ivanytsia, D. (2025). Poperednia obrobka ta analiz EKH syhnaliv. Herald of Khmelnytskyi National University. Technical Sciences, 355(4), 388–394 [in Ukrainian]. https://doi.org/10.31891/2307-5732-2025-355-55
9. Stefanyshyn, V., Stefanyshyn, I., Pastukh, O., & Kulikov, S. (2024). Comparison of the accuracy of machine learning algorithms for brain-computer interaction based on high-performance computing technologies. Scientific Journal of the Ternopil National Technical University, 115(3), 82–90. https://doi.org/10.33108/visnyk_tntu2024.03.082
10. Orekhova, E. V., Wallin, B. G., & Hedström, A. (2002). Modification of the average reference montage. Journal of Clinical Neurophysiology, 19(3), 209–218. https://doi.org/10.1097/00004691-200206000-00004
11. Aydın, S., Melek, M., & Gökrem, L. (2025). Intersession robust hybrid brain–computer interface: Safe and user-friendly approach with LED activation mechanism. Micromachines, 16(11), 1264. https://doi.org/10.3390/mi16111264
12. Huang, X., Xu, Y., Hua, J., Yi, W., Yin, H., Hu, R., & Wang, S. (2021). A review on signal processing approaches to reduce calibration time in EEG-based brain–computer interface. Frontiers in Neuroscience, 15. https://doi.org/10.3389/fnins.2021.733546
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 С. Р. Соловей, О. В. Барабанов
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
