ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. eISSN 1684-1719. 2025. №7

УДК: 621.396, 519.6

Система передачи буквенно-цифровой информации
на основе частотно-временного анализа сигнала
электроэнцефалограммы

Д.В. Журавлев

Воронежский государственный технический университет
394006, Россия, г. Воронеж, ул. 20-летия Октября, д. 84

Статья поступила в редакцию 18 апреля 2025 г.

Аннотация. В статье рассмотрены этапы разработки системы передачи информации в виде программно-аппаратного комплекса, обеспечивающего ввод буквенно-цифровых символов в вычислительное устройство посредством морганий глазами оператора. Данная система передачи позволяет осуществлять ввод любых букв и символов только с использованием глаз без задействования других наружных органов, таких как руки, ноги, туловище и т. д. Кроме того, для передачи текстовой информации нет необходимости в задействовании речевого аппарата. Ключевой особенностью системы является возможность ее автоматического перевода самим оператором в рабочий или ждущий режим на основе частотного анализа электроэнцефалограммы оператора. Работа системы основана на использовании разработанного одноканального интерфейса «мозг-компьютер», позволяющего в режиме реального времени регистрировать один канал электроэнцефалографического отведения с лобной части головы и передавать сигнал в вычислительное устройство. Благодаря снятию биоэлектрического сигнала с лобной части головы появилась возможность использования электрода «сухого» типа. Нейрокомпьютерный интерфейс построен на основе системы на кристалле TGAT1-L64. Он выполнен в сверхлегком и энергоэффективном исполнении, позволяющем оператору не снимать его с головы долгое время. В статье описаны основные этапы разработки программно-аппаратного комплекса. Также приведены результаты эмпирико-статистического исследования изменения спектральной плотности мощности в различных частотных диапазонах электроэнцефалографического сигнала в зависимости от различных внешних факторов, воздействующих на человека. Проведен ряд натурных экспериментов, по результатам которых в сигнале выявлены информативные признаки, позволяющие сформировать индексы закрытых/открытых глаз. Сформулированы рекомендации позволяющие оценить влияние психоэмоционального состояния оператора на формируемые индексы внимания и расслабления. На основе рассчитанных индексов получен универсальный индекс переключения режимов работы системы. Разработано комплексное программное обеспечение на языке Python позволяющее проводить: регистрацию и обработку принятых пакетов данных; предобработку электроэнцефалографического сигнала, выделение информативных как амплитудных, так и частотных составляющих; визуализацию окна ввода, детектирование и формирование буквенно-цифровых сообщений; расчет индекса переключения на основе частотного анализа сигнала и автоматизированное переключение системы в рабочий или ждущий режим. Описанные исследования и разработки легли в основу созданной системы передачи буквенно-цифровой информации. Проведена апробация системы, показавшая ее успешную работоспособность и возможность обеспечения средней точности передачи текстовой информации не ниже 98%.

Ключевые слова: интерфейс «мозг-компьютер», частотно-временной анализ, передача информации, нейрогарнитуры, программно-аппаратный комплекс, спектральная плотность мощности.

Финансирование: Исследование выполнено за счет гранта Российского научного фонда № 24-29-20168, https://rscf.ru/project/24-29-20168/

Автор для переписки: Журавлев Дмитрий Владимирович, ddom1@yandex.ru

Литература

1. Неробкова Л.Н. и др. Клиническая электроэнцефалография. Фармакоэлектроэнцефалография //М.: ГЭОТАР-Медиа. – 2020.

2. Баарс Б., Гейдж Н. Мозг, познание, разум //Введение в когнитивные нейронауки. – 2014. – №. 2. – С. 2014-2014.

3. Hu D. K. et al. Discovering EEG biomarkers of Lennox–Gastaut syndrome through unsupervised time–frequency analysis //Epilepsia. – 2025.

4. Sampaio D. D. et al. Intelligent Methodology Using Machine Learning for Epileptic Seizure Identification Based on Time-Frequency Analysis of EEG Signals //Ibero-Latin American Congress on Computational Methods in Engineering (CILAMCE). – 2024.

5. Padhmashree V., Bhattacharyya A. Human emotion recognition based on time–frequency analysis of multivariate EEG signal //Knowledge-Based Systems. – 2022. – Т. 238. – С. 107867.

6. Jiao Y. et al. EEG rhythm separation and time–frequency analysis of fast multivariate empirical mode decomposition for motor imagery BCI //Biological Cybernetics. – 2024. – Т. 118. – №. 1. – С. 21-37.

7. Morales S., Bowers M. E. Time-frequency analysis methods and their application in developmental EEG data //Developmental cognitive neuroscience. – 2022. – Т. 54. – С. 101067.

8. Buzzell G. A. et al. A practical introduction to EEG time-frequency principal components analysis (TF-PCA) //Developmental cognitive neuroscience. – 2022. – Т. 55. – С. 101114.

9. Jurdana V. et al. Method for Automatic Estimation of Instantaneous Frequency and Group Delay in Time–Frequency Distributions with Application in EEG Seizure Signals Analysis //Sensors. – 2023. – Т. 23. – №. 10. – С. 4680.

10. Wang Z., Juhasz Z. GPU Implementation of the Improved CEEMDAN Algorithm for Fast and Efficient EEG Time–Frequency Analysis //Sensors. – 2023. – Т. 23. – №. 20. – С. 8654.

11. Zheng J. et al. Time-frequency analysis of scalp EEG with Hilbert-Huang transform and deep learning //IEEE Journal of biomedical and health informatics. – 2021. – Т. 26. – №. 4. – С. 1549-1559.

12. Sotnikov P., Finagin K., Vidunova S. Selection of optimal frequency bands of the electroencephalogram signal in eye-brain-computer interface //Procedia Computer Science. – 2017. – Т. 103. – С. 168-175.

13. Кирой В. и др. Нейротехнологии: Нейро-БОС и интерфейс «мозг–компьютер». – Litres, 2018.

14. Официальный сайт проекта «FreeEEG32». URL: https://github.com/neuroidss (дата обращения: 15.04.2025).

15. Официальный сайт проекта «HackEEG». URL: https://github.com/starcat-io/hackeeg-shield (дата обращения: 15.04.2025).

16. Официальный сайт проекта «Ironbci». URL: https://github.com/Ildaron/ironbci (дата обращения: 15.04.2025).

17. Официальный сайт проекта «OpenBCI_ESP32». URL: https://github.com/ribbotson/OpenBCI_ESP32 (дата обращения: 15.04.2025).

18. Официальный сайт проекта «OpenBCI». URL: https://github.com/OpenBCI/ (дата обращения: 15.04.2025).

19. Cardona-Álvarez Y. N. et al. A novel OpenBCI framework for EEG-based neurophysiological experiments //Sensors. – 2023. – Т. 23. – №. 7. – С. 3763.

20. Mansouri M. T. et al. Telemetric electroencephalography recording in anesthetized mice–a novel system using minimally-invasive needle electrodes with a wireless OpenBCI™ Cyton Biosensing Board //MethodsX. – 2023. – Т. 10. – С. 102187.

21. Kremenska A., Lekova A. New Nodes for Node‐RED Library within OpenBCI Category for EEG‐Based Brain‐Machine Interface Design and Integration in IoT. – 2024.

22. Аппаратные платформы для ЭЭГ от компании Neurosky. URL: https://neurosky.com/biosensors/eeg-sensor/biosensors/ (дата обращения: 15.04.2025).

23. Библиотека EEG python для базового анализа и построения графиков ЭЭГ. URL: https://github.com/mikbuch/pyseeg (дата обращения: 15.04.2025).

Для цитирования:

Журавлев Д.В. Система передачи буквенно-цифровой информации на основе частотно-временного анализа сигнала электроэнцефалограммы. // Журнал радиоэлектроники. – 2025. – №. 7. https://doi.org/10.30898/1684-1719.2025.7.15