Високопродуктивні обчислення для машинного навчання та штучного інтелекту в інтерфейсах мозок-комп'ютер з великими даними

Анотація

У статті досліджено підходи до оптимізації обробки великих обсягів EEG даних у BCI шляхом поєднання методів зменшення розмірності і високопродуктивних обчислень. Актуальність проблеми обумовлена тим, що сучасні BCI генерують великі масиви сигналів, обробка яких у реальному часі часто створює критичне навантаження на апаратні та програмні ресурси. Метою роботи є встановлення оптимального балансу між точністю класифікації, стійкістю моделей і часом обробки даних за допомогою різних методів зменшення розмірності – PCA, ICA, LDA – у комбінації з класифікатором MLP і бібліотекою Dask для паралельних розрахунків. Проведено серію експериментів із варіюванням кількості компонентів для кожного розкладу. Встановлено, що при використанні PCA з n_components=0.999 або LDA з n_components=13 точність і f1_weighted залишаються практично такими ж, як у моделі без зменшення розмірності, проте час обробки зменшується у 1,5-4 рази залежно від налаштувань. Використання меншої кількості компонентів дозволяє досягати ще більшої швидкодії, однак супроводжується помітним зниженням точності, що є критичним для завдань нейроінженерії та реабілітації. Застосування Dask для організації паралельних розрахунків дало змогу ефективно масштабувати експерименти та уникнути надмірного навантаження на окремі вузли системи. Порівняльний аналіз метрик accuracy, стійкості, f1_weighted, roc_auc_ovr_weighted і часу виконання показав, що оптимальні налаштування матричних розкладів дають змогу зберігати ключову інформацію в сигналі без істотної втрати якості класифікації. Розроблений підхід довів свою ефективність для задач, де обмеженість ресурсів поєднується з вимогами до стійкості й точності роботи системи в режимі реального часу. Практична цінність результатів полягає в можливості адаптації запропонованого пайплайна для широкого спектра біомедичних та інженерних застосувань, де критичними є швидкість, надійність та масштабованість обробки сигналів мозку