Обоснование. Развитие технологий искусственного интеллекта, включая машинное и глубокое обучение, создает новые возможности в нейродиагностике, особенно для анализа данных электроэнцефалографии (ЭЭГ) в контексте оценки когнитивной нагрузки. Когнитивная нагрузка связана с длительной мыслительной деятельностью и концентрацией внимания. Аппаратура для оценки когнитивной нагрузки может быть выполнена в виде нейрообруча, который фиксирует ЭЭГ-сигналы во время выполнения задач, что позволяет оценивать эффективность образовательных программ и следить за состоянием ментального здоровья. На рынке появились носимые устройства, такие как нейрообручи, обладающие компактным дизайном и способные неинвазивно собирать данные ЭЭГ для домашнего использования [1]. Однако использование нейрообручей ставит перед исследователями задачу оптимизации конфигурации электродов, чтобы эффективно идентифицировать когнитивную нагрузку, учитывая их ограниченное количество в этих устройствах.

Цель — провести вычислительный эксперимент и сравнить различные конфигурации с ограниченным количеством электродов при многоклассовой классификации данных ЭЭГ для идентификации когнитивной нагрузки мозга человека. Гипотеза заключается в возможности измерения по минимальному набору каналов, уровня когнитивной нагрузки [2].

Методы. Исходный набор данных COG-BCI содержит записи трёх сессий, включающих выполнение 4 заданий (MATB-II, N-Back, PVT, Flanker) различной степени сложности 29 участниками (18 мужчинами и 11 женщинами) со средним возрастом 23,9 лет. Преимущественно участники являлись студентами университетов, среди них 2 левши.

Для подготовки набора данных для классификации сигналы были предварительно обработаны и разделены на 4 частотных диапазона: Тета, Альфа, Бета и Гамма. Для генерации объектов использовалась сверточная нейронная сеть (CNN) с тремя слоями и оптимизатором Adam, а в качестве функции потерь применялась категориальная перекрестная энтропия. Оценка качества проводилась с использованием показателей AUC-ROC и AUC-PR.

Результаты. Протестированы и предложены различные конфигурации электродов для определения когнитивной нагрузки мозга. На основе полученных результатов предложены две конфигурации, которые показали наилучший результат при многоклассовой классификации результатов решения двух типов задач MATB-II и N-BACK.

Заключение. В ходе эксперимента показано, что ограниченное количество электродов может позволить определять уровень когнитивной̆ нагрузки человека. Использование ограниченного количества электродов для решения подобной задачи дает возможность использовать нейрообручи.

EEGelectroencephalography, neural networks, computer, cognitive load.Методы извлечения признаков ЭЭГметоды измерения когнитивной нагрузкиметоды преобразование сигналов ЭЭГметоды классификации признаков ЭЭГ.1.1. Samokhina A.M., Neychev R.G., Goncharenko V.V., and others. Classification models for P300 evoked potentials // Computer science systems and tools. 2022. Vol. 32, No. 3. pp. 36-49. [Samokhina AM, Neichev RG, Goncharenko VV, et al. Modeli klassifikatsii dlya vyzvannykh potentsialov P300. Sistemy i sredstva informatiki. 2022;32(3):36–49. (In Russ).]1. Самохина А.М., Нейчев Р.Г., Гончаренко В.В., и др. Модели классификации для вызванных потенциалов P300 // Системы и средства информатики. 2022. Т. 32, № 3. С. 36–49. [Samokhina AM, Neichev RG, Goncharenko VV, et al. Modeli klassifikatsii dlya vyzvannykh potentsialov P300. Sistemy i sredstva informatiki. 2022;32(3):36–49. (In Russ).]2.2. Khramova M.V., Kutz A.K., Maksimenko V.A., and others. Monitoring of cortical activity of children and adults when performing cognitive tasks // Sensors (Basel). September 8, 2021; 21(18):6021. doi: 10.3390/s21186021. PMID: 34577225; PMCID: PMC8472204. [Khramova MV, Kuts AK, Maksimenko VA, et al. Monitoring kortikal'noi aktivnosti detei i vzroslykh pri vypolnenii kognitivnykh zadach. Sensors (Basel). 2021;21(18):6021. doi: 10.3390/s21186021. (In Russ).]2. Храмова М.В., Куц А.К., Максименко В.А., и др. Мониторинг кортикальной активности детей и взрослых при выполнении когнитивных задач // Sensors (Basel). 2021. 8 сент.; 21(18):6021. doi: 10.3390/s21186021. PMID: 34577225; PMCID: PMC8472204. [Khramova MV, Kuts AK, Maksimenko VA, et al. Monitoring kortikal'noi aktivnosti detei i vzroslykh pri vypolnenii kognitivnykh zadach. Sensors (Basel). 2021;21(18):6021. doi: 10.3390/s21186021. (In Russ).]3.3. Dedkov A.E., Andrikov D.A., Khramov A.E. Review of ways to measure the cognitive load of the brain and machine learning methods for their identification based on EEG data // Doctor and information Technologies. 2024. No. 3. pp. 20-31. [Dedkov AE, Andrikov DA, Khramov AE. Obzor sposobov izmereniya kognitivnoi nagruzki mozga i metodov mashinnogo obucheniya dlya ikh identifikatsii na osnove dannykh EEG. Vrach i informatsionnye tekhnologii. 2024;(3):20–31. (In Russ).]3. Дедков А.Е., Андриков Д.А., Храмов А.Е. Обзор способов измерения когнитивной нагрузки мозга и методов машинного обучения для их идентификации на основе данных ЭЭГ // Врач и информационные технологии. 2024. № 3. С. 20–31. [Dedkov AE, Andrikov DA, Khramov AE. Obzor sposobov izmereniya kognitivnoi nagruzki mozga i metodov mashinnogo obucheniya dlya ikh identifikatsii na osnove dannykh EEG. Vrach i informatsionnye tekhnologii. 2024;(3):20–31. (In Russ).]4.4. Hinss MF, Jahanpour ES, Somon B, et al. COG-BCI database: A multi-session and multi-task EEG cognitive dataset for passive brain-computer interfaces (Version 4) [Data set]. Zenodo. 2022. doi: 10.5281/zenodo.74136505.5. Hinss M.F., et al. An open multi—session and multitasking cognitive EEG dataset for passive brain-computer interface applications // Scientific Data. 2023. Vol. 10, No. 1. p. 85. [Hinss MF, et al. Otkrytyi mnogosessionnyi i mnogozadachnyi kognitivnyi nabor dannykh EEG dlya passivnykh prilozhenii interfeisa "mozg — komp'yuter". Scientific Data. 2023;10(1):85. (In Russ).]5. Хинсс М.Ф., и др. Открытый многосессионный и многозадачный когнитивный набор данных ЭЭГ для пассивных приложений интерфейса «мозг — компьютер» // Scientific Data. 2023. Т. 10, № 1. С. 85. [Hinss MF, et al. Otkrytyi mnogosessionnyi i mnogozadachnyi kognitivnyi nabor dannykh EEG dlya passivnykh prilozhenii interfeisa "mozg — komp'yuter". Scientific Data. 2023;10(1):85. (In Russ).]6.6. Polikanova I.S., Sergeev A.V. The effect of prolonged cognitive load on EEG parameters // National Psychological Journal. 2014. 1(13). pp. 84-92. [Polikanova IS, Sergeev AV. Vliyanie dlitel'noi kognitivnoi nagruzki na parametry EEG. Natsional'nyi psikhologicheskii zhurnal. 2014;1(13):84–92. (In Russ).]6. Поликанова И.С., Сергеев А.В. Влияние длительной когнитивной нагрузки на параметры ЭЭГ // Национальный психологический журнал. 2014. 1(13). С. 84–92. [Polikanova IS, Sergeev AV. Vliyanie dlitel'noi kognitivnoi nagruzki na parametry EEG. Natsional'nyi psikhologicheskii zhurnal. 2014;1(13):84–92. (In Russ).]7.7. Park S, Han CH, Im CH. Designing wearable EEG devices specialized for passive brain—computer interface applications // Sensors. 2020. 20(16):4572. doi: 10.3390/s201645727. Park S, Han CH, Im CH. Проектирование носимых устройств ЭЭГ, специализированных для приложений пассивного интерфейса «мозг — компьютер» // Sensors. 2020. 20(16):4572. doi: 10.3390/s20164572