ПРИГНІЧЕННЯ КОГНІТИВНИХ УПЕРЕДЖЕНЬ ПІД ЧАС ІДЕНТИФІКАЦІЇ ОСОБИ ТА ЇЇ НАМІРУ В НЕЙРО-КОМП’ЮТЕРНИХ СИСТЕМАХ
DOI:
https://doi.org/10.17721/2519-481X/2024/84-10Ключові слова:
нейробезпека, неінвазивний нейрокомп'ютерний інтерфейс, ЕЕГ-ідентифікація наміру, пом'якшення когнітивних упередженьАнотація
Дослідження присвячено проблемі безпеки інформаційних систем у випадку розпізнавання особи та її намірів за допомогою електроенцефалограми. Метод передбачено для неінвазивного нейрокомп’ютерного інтерфейсу, може застосовуватись при багаторівневих дослідженнях (емоційний інтелект, розвиток пам’яті, моніторинг самопочуття, оптимізація прийняття рішень), у чому полягає його перевага. Універсальність нейро-комп’ютерного інтерфейсу дозволяє використовувати його для кількох цілей одночасно, поєднуючи різні методи аналізу одного набору даних (енцефалограми, часу відповіді та адекватності). Запропоновано прикладний комбінований підхід до оцінки якості на основі проектних показників за результатми попередніх досліджень з урахуванням специфіки завдань і ролей користувачів, методів обробки даних, об’єктивності обраних моделей. Експерименти проводилися у змодельованих умовах у два етапи по 3 місяці за результатами тренування нейропластичності та вирішення завдань отримання доступу за наявності прав та в умовах непередбаченого запиту. Враховано індивідуальний стиль виконання завдань, а для прогнозування наміру застосовується стратегія розпізнавання емоцій за моделлю потоку Чиксентмігаї. Результати відповідають сучасним стандартам нейроетики та нейроправа. Когнітивні упередження можуть негативно вплинути на завдання ідентифікації людини та її намірів, для цього пропонуються методи пом'якшення. Зручність використання моделі полягає в простій інтерпретації зібраних даних. Для оцінки використано фронтальна альфа-асиметрія, потенціал пов’язаний з подією, відношення потужності смуги альфа-бета ритмів синхронізації. Результати переконують, що очікуване впровадження може бути ефективним. Робота враховує багатий досвід попередніх досліджень з ідентифікації особи та її намірів на основі аналізу електроенцефалограми. У цьому дослідженні враховано непостійність ЕЕГ образу («відбитку мозку») та акцентовано увагу на важливості його оновлення, проведено експеримент в ході комплексного дослідження. Результатом є обґрунтування вимог до частоти і процедури оновлення «відбитків мозку», запропоновані показники якості розпізнавання, пропозиції до ранжування рівня нейрограмотності на основі тестування типової діяльності. Для вивчення наміру особи запропоновано дослідження фонових когнітивних станів із врахуванням їх тривалості та інтенсивності типових зразків ритмів синхронізації, на основі яких проводилося машинне навчання моделі пригнічення когнітивних упереджень. Дані порівнювалися із моментами втрати контролю, було враховано потребу переосмислення та оновлення мереж синхронізації мозку. Ці результати наразі є базовими і в подальших експериментах вимагають окремої уваги, їх ґрунтовне дослідження буде важливим для покращення якості будь-яких досліджень застосування нейро-коп’ютерних інтерфейсів. Оцінено ризик небажаних когнітивних станів і появи когнітивних упереджень, передбачено вимоги до складання тестів з метою запобігання таким ситуаціям. Враховано вплив досвіду та рівня тренованості нейрокомп’ютерної грамотності, індивідуальної придатності до роботи в нейро-комп’ютерних середовищах (зокрема потужність нейросигналу та володіння контролем ментальних зусиль, когнітивних властивостей і емоційних фонів).
Посилання
1. Brunner, Clemens, et al. “BNCI Horizon 2020: Towards a Roadmap for the BCI Community.” Brain-Computer Interfaces, vol. 2, no. 1, 2015
2. Yang, YY., Hwang, A.HC., Wu, CT. et al. Person-identifying brainprints are stably embedded in EEG mindprints. Sci Rep 12, 17031 (2022). https://doi.org/10.1038/s41598-022-21384-0
3. Jayarathne, I., Cohen, M., & Amarakeerthi, S. “Person identification from EEG using various machine learning techniques with inter-hemispheric amplitude ratio.” PLoS ONE, vol. 15, no. 9, 2020, e0238872. DOI: 10.1371/journal.pone.02388
4. López-Silva, Pablo, and Luca Valera, editors. Protecting the Mind: Challenges in Law, Neuroprotection, and Neurorights. Springer International Publishing, 2023.
5. Nam, Chang S., Anton Nijholt, and Fabien Lotte, editors. Brain–Computer Interfaces Handbook: Technological and Theoretical Advances. 1st ed., CRC Press, 2018.
6.Mykhalchuk V., Druzhynin V. Targeting mind in challengable conditions of biased nature of performance (preliminary results on individual experience). 1st international scientific and practical conference «Information Systems and Technology: Results and Prospects» (IST 2024)", Kyiv, 2024.
7. Imagerie Cérébrale: Enjeux Épistémologiques, Éthiques Et Politiques, Espace Ethique d’Ile de France, 2017. 97p.
8. Park Sang-Eon et al. Digital Assessment of Cognitive-Affective Biases Related to Mental Health. PLOS Digital Health, vol. 1, no. 1, 2024, article e0000595, https://doi.org/10.1371/journal.pdig.0000595.
9. Schreiner, Leonhard, et al. “Mapping of the Central Sulcus Using Non-Invasive Ultra-High-Density Brain Recordings.” Scientific Reports, vol. 14, no. 6527, 19 Mar. 2024, doi:10.1038/s41598-024-57167-y.
10. Korteling, J. E., Gerritsma, J. Y. J., & Toet, A. (2021)1. Retention and transfer of cognitive bias mitigation interventions: A systematic literature study23. Frontiers in Psychology, 12, 629354. https://doi.org/10.3389/fpsyg.2021.629354
11.Mykhalchuk, V. “Cognitive Design of Educational Brain-Computer Interfaces.” CEUR Workshop Proceedings, vol. 3309, 2022, 1. DOI: 10.1007/978-3-319-64274-1_8.
12. Siritzky M. Emma. Standard Experimental Paradigm Designs and Data Exclusion Practices in Cognitive Bias Research. Cognitive Research: Principles and Implications, vol. 8, no. 1, 2023, article 520, https://doi.org/10.1186/s41235-023-00520-y.
13. Tmienova N., Mykhalchuk V. Brain-Computer Interface as Tool of Cognitive Optimization (Case of Biases Reducing in Decision-Making and Control Improvement). CEUR Workshop Proceedings, vol. 3309, 2022, 1. DOI: 10.1007/978-3-319-64274-1_8.
14. A Review on Evaluating Mental Stress by Deep Learning Using EEG Signals. Proceedings of the 1st International Scientific and Practical Conference ‘Information Systems and Technology: Results and Prospects’ (IST 2024), 2024, pp. 45-56.
15. An Evaluation of Mental Workload with Frontal EEG. PLOS ONE, vol. 12, no. 4, 2017, article e0174949, https://doi.org/10.1371/journal.pone.0174949.
17.Mental Workload Monitoring: New Perspectives from Neuroscience. Advances in Neuroergonomics and Cognitive Engineering, edited by Hasan Ayaz and Umer Asgher, Springer, 2020, pp. 1-12, https://doi.org/10.1007/978-3-030-32423-0_1.
18. Real-Time Mental Workload Estimation Using EEG. Advances in Neuroergonomics and Cognitive Engineering, edited by Hasan Ayaz and Umer Asgher, Springer, 2020, pp. 13-24, https://doi.org/10.1007/978-3-030-32423-0_2.






