УДК 004.21
Статья посвящена проблеме анализа данных нейрональной активности мозга при распознавании паттернов движений верхних конечностей с целью построения системы управления бионическим протезом, оснащенным механическими приводами. Разрабатывается модифицированный алгоритм укрупненной кластеризации, в основе которого заложен алгоритм DBSCAN. Предлагается при первоначальной укрупненной кластеризации формировать множество шум-кластеров из точек, не попавших в выделенные кластеры вместо формирования единственной категории “шум”. Это позволит при поступлении новых данных проводить оперативный анализ точек, не попавших в выделенные кластеры на предмет формирования новых кластеров из шум-кластеров при достижении заданной плотности. В результате разработан алгоритм непрерывной кластеризации, который, в процессе формирования центроидов кластеров, может проводить дополнительное разбиение уже сформированных кластеров на более мелкие в силу их неправильной формы. При этом алгоритм постоянно оценивает вновь поступающие данные на предмет соответствия выявленным кластерам или шум-кластерам. В результате становится возможным формирование новых кластеров при достижении шум-кластерами минимальной плотности.
The article is devoted to the problem of analyzing the data of brain neuronal activity in recognition of patterns of upper limb movements with the aim of constructing a control system for a bionic prosthesis equipped with mechanical drives. A modified algorithm for large-scale clustering is developed, based on the DBSCAN algorithm. It is suggested that at the initial large clustering to form a lot of noise clusters from points that did not fall into the allocated clusters instead of forming a single category of "noise". This will allow, upon receipt of new data, to conduct an operative analysis of points that have not fallen into the allocated clusters for the formation of new clusters from noise clusters upon reaching a given density. As a result, an algorithm for continuous clustering has been developed that, in the process of forming centroids of clusters, can further partition the already formed clusters into smaller clusters because of their irregular shape. At the same time, the algorithm constantly evaluates the incoming data for compliance with the identified clusters or noise clusters. As a result, it becomes possible to form new clusters when the noise density reaches clusters.
