МОДИФИКАЦИЯ АЛГОРИТМА ИНТЕРПРЕТАЦИИ КОМАНД ДЛЯ МНОГОКАНАЛЬНОГО ЧЕЛОВЕКО-МАШИННОГО ИНТЕРФЕЙСА

В случае параллельного использования нескольких интерфейсов человеко-машинного взаимодействия существует задача выбора команды, при распознавании противоречивых команд, приходящих с различных интерфейсов. Для решения данной задачи может быть использован алгоритм декомпозиции. В случае декомпозиции для оператора выбирается наиболее эффективно работающая комбинация команд-интерфейсов, а остальные комбинации игнорируются. Существует улучшение алгоритма декомпозиции: алгоритм интерпретации команд, в котором данные игнорируемые комбинации используются для улучшения эффективности работы интерфейсов. В данной статье рассмотрены алгоритмы декомпозиции и интерпретации команд для многоканального человеко-машинного интерфейса, составлены и проанализированы блок-схемы работы данных алгоритмов. На основе данного анализа была предложена модификация алгоритма интерпретации команд для многоканального человеко-машинного интерфейса. Данная модификация позволяет уменьшить количество вычислений для исследования возможности интерпретации игнорируемой команды. Для сравнения существующего алгоритма интерпретации команд и его разработанной модификации был проведен ряд экспериментов, на основе сгенерированных матриц ошибок. Была показана целесообразность использования модифицированного алгоритма для высокоэффективно работающих интерфейсов.

1. Singh A., Hussain A. A., Lal S., Guesgen H. W. A comprehensive review on critical issues and possible solutions of motor imagery based electroencephalography brain-computer interface // Sensors, 2021, vol. 21, no. 6, 2173. doi: 10.3390/s21062173

2. Heldman D. A., Moran D. W. Local field potentials for BCI control // Handbook of clinical neurology, 2020, vol. 168, pp. 279-288. doi: 10.1016/B978-0-444-63934-9.00020-2

3. Ladouce S., Mustile M., Ietswaart M., Dehais F. Capturing Cognitive Events Embedded in the Real World Using Mobile Electroencephalography and Eye-Tracking // Journal of Cognitive Neuroscience, 2022, vol. 34, no. 12, pp. 2237-2255. doi: 10.1162/jocn_a_01903

4. Belkacem A. N., Lakas A. A Cooperative EEG-based BCI Control System for Robot–Drone Interaction // 2021 International Wireless Communications and Mobile Computing (IWCMC), IEEE, 2021, pp. 297-302. doi: 10.1109/IWCMC51323.2021.9498781

5. Gridnev A. A., Voznenko T. I., Chepin E. V. The decision-making system for a multi-channel robotic device control // Procedia computer science, 2018, vol. 123, pp. 149-154. doi: 10.1016/j.procs.2018.01.024

6. Voznenko T. I., Gridnev A. A., Kudryavtsev K. Y., Chepin E. V. The decomposition method of multi-channel control system based on extended bci for a robotic wheelchair // Biologically Inspired Cognitive Architectures Meeting, Springer, Cham, 2019, pp. 562-567. doi: 10.1007/978-3-030-25719-4_73

7. Voznenko T. I., Gridnev A. A., Chepin E. V., Kudryavtsev K. Y. The command interpretation in decomposition method of multi-channel control for a robotic device // Procedia Computer Science, 2020, vol. 169, pp. 152-157. doi: 10.1016/j.procs.2020.02.127

8. Liu J., Zhong L., Wickramasuriya J., Vasudevan V. uWave: Accelerometer-based personalized gesture recognition and its applications // Pervasive and Mobile Computing, 2009, vol. 5, no. 6, pp. 657-675. doi: 10.1016/j.pmcj.2009.07.007

9. Abdelnasser H., Youssef M., Harras K. A. Wigest: A ubiquitous wifi-based gesture recognition system // 2015 IEEE conference on computer communications (INFOCOM), IEEE, 2015, pp. 1472-1480. doi: 10.1109/INFOCOM.2015.7218525

10. Nuzzi C., Pasinetti S., Lancini M., Docchio F., Sansoni G. Deep learning-based hand gesture recognition for collaborative robots // IEEE Instrumentation & Measurement Magazine, 2019, vol. 22, no. 2, pp. 44-51. doi: 10.1109/MIM.2019.8674634