Імплементація технології автоматизованої побудови та оптимізації конвеєрів програмних компонентів для класифікації ЕЕГ-сигналів
Анотація
У статті запропоновано імплементацію технології автоматизованої побудови та оптимізації конвеєрів програмних компонентів класифікації електроенцефалографічних (ЕЕГ) сигналів. Актуальність практичного застосування такої технології зумовлена тим, що в існуючих підходах побудова конвеєрів програмних компонентів переважно виконується емпірично або зосереджується на окремих алгоритмах, тоді як формалізоване задання допустимих конфігурацій, контроль їхньої коректності, обчислення, порівняння та оптимізація залишаються недостатньо реалізованими на рівні цілісної програмної системи. Метою роботи є програмна реалізація технології, що забезпечує автоматизовану побудову, обчислення, оцінювання та оптимізацію конвеєрів програмних компонентів класифікації ЕЕГ-сигналів. У статті конвеєр програмних компонентів подано у вигляді деревовидної орієнтованої графової структури. Для реалізації запропонованої технології сформовано функціональні та нефункціональні вимоги, обґрунтовано архітектурні рішення, визначено основні модулі програмної системи та описано її інфраструктуру. Програмна система реалізує повний технологічний цикл: створення експерименту, завантаження ЕЕГ-даних, побудову деревовидної орієнтованої графової структури, налаштування параметрів обчислення й оптимізації, виконання локальних і хмарних обчислень, запуск оптимізації та подання результатів. Оптимізація передбачає багатокритеріальне оцінювання конвеєрів програмних компонентів за точністю, F1-мірою, площею під ROC-кривою та нормалізованим часом обробки одного зразка з урахуванням вагових коефіцієнтів. Якість програмної реалізації підтверджено автоматизованим тестуванням десктопного застосунку, сервера, скрипта обчислень і скрипта оптимізації. Експериментальну верифікацію виконано на реальних ЕЕГ-даних моторної активності пальців верхніх кінцівок. Одержані результати підтвердили практичну придатність запропонованої технології та реалізованої програмної системи.
Посилання
2. Boston Dynamics. Atlas’ Evolution From Research Robot to Industrial Humanoid.
3. Farhana U., Ferdous M. J. (2021) Improving Motor Imagery EEG Signals Classification Accuracy with CSP by Available Machine Learning Approach. Journal of Engineering Science. Vol. 12, no. 2. P. 67–77.
4. Shelishiyah R., Thiyam D. B., Margaret M. J. (2023) Machine Learning-Based Classification of Hybrid BCI Signals using Mayfly-Optimized Multiclass Weighted Random Forest. International Journal on Recent and Innovation Trends in Computing and Communication. Vol. 12, no. 1. P. 29–35.
5. H2O.ai. H2O AutoML: Scalable and automatic machine learning.
