СИСТЕМА ЗЧИТАННЯ ТА АНАЛІЗУ СИГНАЛІВ МОЗКУ ЛЮДИНИ
Дана робота присвячена методам аналізу сигналів енцефалографа нейронними мережами. Запропоновано систему аналізу прочитаних сигналів мозку за допомогою кишенькового комп’ютера Raspberry Pi 3b+. На основі цієї системи пропонується створити нейронну мережу, яка буде аналізувати отримані сигнали. Пров...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Kherson National Technical University
2022-01-01
|
| Series: | Biomedicinskaâ Inženeriâ i Èlektronika |
| Online Access: | https://journals.uran.ua/biofbe/article/view/252219 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Дана робота присвячена методам аналізу сигналів енцефалографа нейронними мережами. Запропоновано систему аналізу прочитаних сигналів мозку за допомогою кишенькового комп’ютера Raspberry Pi 3b+. На основі цієї системи пропонується створити нейронну мережу, яка буде аналізувати отримані сигнали. Проведено аналітичний огляд пристрою для зчитування та аналізу сигналів мозку людини за допомогою енцефалографа. Були розраховані параметри компонентів та описані необхідні компоненти. Проаналізовано існуючі методи прийому сигналів мозку людини. Розглянуто методи аналізу для додаткових алгоритмів машинного аналізу.
Основою нейрокомп'ютерного інтерфейсу є розпізнавання закономірностей біопотенціалів мозку. Якщо суб’єкт може змінити природу своїх біопотенціалів, наприклад, виконуючи певні розумові завдання, система NCI могла б перевести ці зміни в керуючі коди, наприклад, переміщаючи курсор миші на екрані комп’ютера або руку робота-маніпулятора. Ви також можете використовувати ці коди для вибору букв на «віртуальній клавіатурі» або для керування інвалідним візком.
Більшість сучасних нейрокомп’ютерних інтерфейсів попередньо запрограмовані. По-перше, це означає, що не враховуються особливості мозку кожного користувача. Це спричиняє різницю в роботі для кожної людини, тому це може бути дуже легко для одного користувача та дуже важко для іншого. По-друге, пристрій може виконувати лише вбудовані завдання. Додати нові функції до пристрою може бути дуже важко і навіть неможливо.
Ці обмеження можуть бути зняті за допомогою пристрою, який може збирати сигнали людського мозку, позначати їх і створювати модель, яка представляє їхні зв’язки, а потім використовувати цю модель для розпізнавання поточного стану людського мозку. Цю проблему можна вирішити, підключивши нейроінтерфейс до кишенькового ПК Raspberry pi 3b+, оскільки він досить компактний і вже має всі необхідні інтерфейси даних на шині RPi. Хоча він може використовувати мову програмування python, що дозволяє нам використовувати пакет tensorflow, який уже має багато функціональних можливостей у використанні нейронних мереж.
|
|---|---|
| ISSN: | 2311-1100 |