Применение свёрточных нейросетей на основе архитектуры колмогорова–арнольда с вейвлет-функцией активации для идентификации когнитивных состояний мозга по данным ЭЭГ

Анализ когнитивных состояний с помощью электроэнцефалографии (ЭЭГ) является ключевой задачей для нейроинтерфейсов. Несмотря на успехи методов глубокого обучения, классические свёрточные нейронные сети (CNN) имеют существенные ограничения при работе с нестационарными сигналами ЭЭГ: они плохо адаптируются к локальным временно-частотным особенностям, а их решения сложно интерпретировать. Перспективным направлением является интеграция архитектуры Колмогорова–Арнольда (KAN), заменяющей линейные веса на обучаемые вейвлет-функции, что позволяет создавать более гибкие и интерпретируемые модели для анализа ЭЭГ.

Цель. Изучить влияние замены классических свёрточных слоёв на слои, реализованные на основе архитектуры Колмогорова–Арнольда с различными вейвлет-функциями активации, на качество идентификации когнитивных состояний различных уровней сложности.

Методы. Использовались данные открытого набора COG-BCI, включающего записи 29 участников, выполнявших когнитивные задачи N-Back (рабочая память) и MATB-II (многозадачность). Исходная архитектура FFCLNetEEG была модифицирована путём замены CNN-слоёв на свёрточные слои KAN и WavKAN с различными вейвлетами (Gabor, DOG, Mexican Hat, Morlet, Meyer, Shannon). Оценка проводилась по метрикам Accuracy, Precision, Recall, F1-score и Specificity с использованием попарных тестов Уилкоксона с поправкой Бонферрони (p < 0,05).

Результаты. В задаче N-Back наилучшие результаты показала модель FFCLNetEEG-WavKAN-DOG со средней точностью 0,790±0,059, значимо превосходя модели FFCLNetEEG-KAN, FFCLNetEEG-WavKAN-Meyer и FFCLNetEEG-WavKANMorlet (p < 0,001 после поправки). В задаче MATB-II лучшей стала модель FFCLNetEEG-WavKAN-Gabor (средняя точность 0,892±0,005). Анализ трёх независимых сессий показал высокую воспроизводимость результатов с коэффициентами корреляции между сессиями до 0,653 для лучших моделей.

Заключение. Интеграция архитектуры Колмогорова–Арнольда со встроенными вейвлетфункциями позволяет достоверно повысить качество классификации когнитивных состояний по данным ЭЭГ. Выбор оптимального вейвлета зависит от типа когнитивной задачи: DOG – для рабочей памяти (N-Back), Gabor – для многозадачности (MATB-II). Полученные данные имеют прикладное значение для разработки нейроадаптивных интерфейсов, систем когнитивного мониторинга и реабилитации.

1. Андриков Д.А., Андриков Дм.А., Березкин Д.В., Попов А.Ю., Пролетарский А.В. Нейросетевая графовая архитектура прозрачного искусственного интеллекта в медицине // Врач и информационные технологии. — 2025. — №2. — С.70-83. doi: 10.25881/18110193_2025_2_70.

2. Антипов В.М., Бадарин А.А., Куркин С.А., Киселев А.Р., Храмов А.Е. Программно-аппаратный комплекс для реабилитации пациентов с когнитивными и моторными нарушениями // Врач и информационные технологии. — 2024. — №4. — С.38-47. doi: 10.25881/18110193_2024_4_38.

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. doi: 10.25881/18110193_2024_3_20.

4. Kumar UA, Dhamija Y. Comparative analysis of SOM neural network with K-means clustering algorithm. In: 2010 IEEE International Conference on Management of Innovation & Technology. IEEE; 2010: 55-59.

5. Ahmadi N, Naderi M, Ghazizadeh A, Nahvi A. Eye State Identification Utilizing EEG Signals: A Combined Method Using Self-Organizing Map and Deep Belief Network. Sci Program. 2022; 2022: 4439189. doi: 10.1155/2022/4439189.

6. Yau J, Medeiros D, Prabhu P, Tiwari P, Prabhu G. Uncovering Patterns of Brain Activity from EEG Data Consistently Associated with Cybersickness Using Neural Network Interpretability Maps. arXiv preprint arXiv: 2512.20620. 2025.

7. Zhang J, Zhang W, Wang Y, et al. Combining self-organizing mapping and supervised affinity propagation clustering approach to investigate functional brain networks involved in motor imagery and execution with fMRI measurements. Front Hum Neurosci. 2015; 9: 400. doi: 10.3389/fnhum.2015.00400.

8. Becerra-Sánchez P, Reyes-Munoz A, Guerrero-Ibañez A. Feature selection model based on EEG signals for assessing the cognitive workload in drivers. Sensors. 2020; 20(20): 5881. doi: 10.3390/s20205881.

9. Kocyigit E, Alkan E, Albayrak A, et al. Enhanced feature selection using genetic algorithm for machinelearning- based phishing URL detection. Appl Sci. 2024; 14(14): 6081. doi: 10.3390/app14146081.

10. Arif M, Li H, Khalil K, et al. A comprehensive survey of evolutionary algorithms and metaheuristics in brain EEG-based applications. J Neural Eng. 2024; 21(5): 051002. doi: 10.1088/1741-2552/ad7a5b.

11. Joutsiniemi SL, Kaski S, Larsen TA. Self-organizing map in recognition of topographic patterns of EEG spectra. IEEE Trans Biomed Eng. 1995; 42(11): 1062-1068. doi: 10.1109/10.469374.

12. Huang Z, Wang M. A review of electroencephalogram signal processing methods for brain-controlled robots. Cogn Robot. 2021; 1: 111-124. doi: 10.1016/j.cogr.2021.09.002.

13. Asvestas P, Kariotou F, Kitsos G, et al. Use of genetic algorithm for the selection of EEG features. J Phys Conf Ser. 2015; 633: 012123. doi: 10.1088/1742-6596/633/1/012123.

14. Ivaylov I. EEG classification for BCI using genetic algorithm and k-fold cross validation. Electr Eng Electron. 2021; 56(3-4): 38-45.

15. Johansson R. NSGA-II design for feature selection in EEG classification related to motor imagery. 2020.

16. Hramov AE, Koronovskii AA, Makarov VA, Maksimenko VA, Pavlov AN, Sitnikova EYu. Wavelets in Neuroscience. 2nd ed. Springer Series in Synergetics. 2021. doi: 10.1007/978-3-030-75992-6.

17. Pavlov AN, Hramov AE, Koronovskii AA, Sitnikova EY, Makarov VA, Ovchinnikov AA. Wavelet analysis in neurodynamics. Phys Usp. 2012; 55(9): 845-875. doi: 10.3367/UFNe.0182.201209a.0905.

18. Murata A. An Attempt to Evaluate Mental Workload Using Wavelet Transform of EEG. Hum Factors. 2005; 47(3): 498-508. doi: 10.1518/001872005774860096.

19. Grubov VV, Maksimenko VA, Hramov AE, et al. Open-loop neuroadaptive system for enhancing student’s cognitive abilities in learning. IEEE Access. 2024; 12: 49034-49049. doi: 10.1109/ ACCESS.2024.3383847.

20. Liu Z, Wang Y, Vaidya S, et al. KAN: Kolmogorov-Arnold Networks. arXiv preprint arXiv: 2404.19756. 2024.

21. Bozorgasl Z, Chen H. Wav-KAN: Wavelet Kolmogorov–Arnold Networks. arXiv preprint arXiv:2405.12832. 2024. doi: 10.48550/arXiv.2405.12832.

22. Drokin I. Kolmogorov-Arnold Convolutions: Design Principles and Empirical Studies. arXiv preprint arXiv:2407.01092. 2024. 23. Hinss MF, Jahanpour ES, Somon B, Pluchon L, Dehais F, Roy RN. Open multi-session and multi-task EEG cognitive Dataset for passive brain-computer Interface Applications. Sci Data. 2023; 10(1): 85. doi: 10.1038/s41597-022-01898-y.

23. Li H, Chen Z, Huang Z, et al. Motor imagery EEG classification algorithm based on CNN-LSTM feature fusion network. Biomed Signal Process Control. 2022; 72: 103342. doi: 10.1016/j.bspc.2021.103342.

24. Pulver D, Angkan P, Hungler P, Etemad A. EEG-based Cognitive Load Classification using Feature Masked Autoencoding and Emotion Transfer Learning. In Proceedings of the 2023 International Conference on Multimodal Interaction ICMI '23. Р.1-8.

25. Li Z, Zhang R, Zeng Y, Tong L, Lu R, Yan B. MST-net: A multi-scale swin transformer network for EEGbased cognitive load assessment. Research report. doi: 10.1016/j.ijhcs.2023.103259.

26. Li Y, Li K, Wang S, Wu H, Li P. A spatiotemporal separable graph convolutional network for oddball paradigm classification under different cognitive-load scenarios. Expert Systems With Applications. 2024; 262: 125303. doi: 10.1016/j.eswa.2024.125303.

27. Yoo G, Kim H, Hong S. Prediction of Cognitive Load from Electroencephalography Signals Using Long Short-Term Memory Network. Bioengineering. 2023; 10: 361. doi: 10.3390/bioengineering10030361.

28. Yedukondalu J, Sharma D, Sharma LD. Subject-Wise Cognitive Load Detection Using Time-Frequency EEG and Bi-LSTM. Arab J Sci Eng. doi: 10.1007/s13369-023-08494-1.

29. Yedukondalu, J., Sunkara, K., Radhika, V. et al. Cognitive load detection through EEG lead wise feature optimization and ensemble classification. Sci Rep (2024). Статья в открытом доступе, представлен- ная в анализируемом файле s41598-024-84429-6.pdf.

30. Yedukondalu, J., Sharma, L.D. Cognitive load detection using circulant singular spectrum analysis and Binary Harris Hawks Optimization based feature selection. (Журнал не указан в предоставленном фрагменте, но для ссылки можно использовать заголовок и авторов).