В научном исследовании Леонида Сидорова, Анны Макаровой, Арчила Майсурадзе и Михаила Лебедева изучаются различные методы объединения данных для повышения точности работы интерфейсов мозг-компьютер на основе вызванного потенциала P300. Выделение этого сигнала из электроэнцефалограммы затруднено из-за низкого соотношения сигнал/шум и сильных индивидуальных различий между людьми.

Чтобы решить эту проблему, авторы систематически сравнили несколько подходов с использованием классического метода опорных векторов и двух видов сверточных нейросетей, оценивая их эффективность по скорости передачи информации.

Исследователи проверили индивидуальные и общие модели для одиночных попыток, усреднение сигналов при повторении стимулов, многоканальные модели с разделением участников по каналам, а также разные варианты межсубъектного усреднения данных.

Анализ показал, что классификация одиночных попыток неэффективна на практике из-за слишком низкой скорости передачи информации, тогда как контролируемое объединение данных значительно улучшает результаты.

Наилучшие показатели продемонстрировал комбинированный межсубъектный подход, совмещенный с многоканальной нейросетью EEGNet, когда от каждого участника бралось по три попытки. Это позволило достичь скорости передачи информации, близкой к теоретическому максимуму для бинарной классификации агрегированного решения.

Ученые пришли к выводу, что упорядоченное межсубъектное усреднение стабильно превосходит случайное смешивание сигналов, а многоканальные архитектуры работают лучше простого усреднения при условии сохранения индивидуальной структуры данных каждого испытуемого.

Эти результаты открывают новые возможности для совершенствования декодирования сигналов мозга и создания многопользовательских интерфейсов мозг-компьютер.

https://www.biorxiv.org/content/10.64898/2026.06.17.732982v1