SET Net מסגרת למידה עמוקה היברידית לסיווג הרפיית קשב מבוססת EEG ביישומי ממשק מוח-מחשב

Summary

מאמר זה מציג את רשת הטרנספורמרים ללחיצה וגירוי (SET-Net), שהיא רשת היברידית של CNN-Transformer שמזהה מצבי קשב והרפיה באמצעות תכונות ספקטרוגרמה לזיהוי מצבי קשב והרפיה מבוססי EEG בדיוק של 93.7% והכללה גבוהה לשימוש ביישומי ממשק מוח-מחשב (BCI).

Abstract

טכנולוגיית ממשק מוח-מחשב (BCI) משמשת ככלי לספק ערוץ תקשורת ישיר בין המוח האנושי לסביבה החיצונית. לזה יש יישומים במערכות סיוע ואינטראקטיביות. רכישת פעילות עצבית לא פולשנית באמצעות אלקטרואנצפלוגרפיה (EEG) היא סטנדרטית במערכות BCI. עם זאת, קשה לסווג ביעילות מצבים קוגניטיביים, כולל קשב והרפיה, מכיוון שאות ה-EEG אינו סטטי ורועש. כדי להתגבר על ליקויים אלו, מחקר זה מציע ארכיטקטורת למידה עמוקה היברידית חדשה, כלומר רשת טרנספורמרים ללחיצה וגירוי (SE) (SET-Net). בשיטה זו, אותות EEG מעובדים מראש ומחולקים לחלונות זמניים כדי לנתח את הייצוגים הספקטרוגרמיים המשמעותיים. המודל המוצע משיג דיוק סיווג של 93.7%, עם ציון F1 של 0.93 ו-ROC-AUC של 0.98. דבר זה מדגים את היעילות של מודל הלמידה העמוקה ההיברידי עם הבחנה מוגברת של מצב הרפיית קשב מבוסס EEG. זה מציע מערכת ניתנת להרחבה ליישומי BCI בזמן אמת כטכנולוגיה מסייעת באינטראקציה בין אדם למחשב.

Introduction

ממשקי מוח-מחשב (BCIs) הפכו לטכנולוגיה משבשת שמאפשרת למוח האנושי ולמכשירים חיצוניים לתקשר ישירות ללא שימוש בקשרים נוירומוסקולריים מסורתיים. אלקטרואנצפלוגרפיה (EEG) היא הטכניקה הנפוצה והנפוצה ביותר בשל אופייה הלא-פולשני, ניידות ויעילות כלכלית¹. BCI מבוססי EEG שימשו במערכת הבריאות וכן בשיקום נוירולוגי, משחקים וטכנולוגיות סיוע לאנשים עם מוגבלויות נוירולוגיות באמצעות בחינת פעילות מוחית². אחד היישומים החשובים ביותר הוא זיהוי מצבים קוגניטיביים, כולל קשב והרפיה, שניתן להשתמש בהם ליצירת ממשקי אדם-מחשב אדפטיביים^{ונגישות} דיגיטלית. יחס אות לרעש נמוך, שונות גדולה בין נושאים, ודינמיקה זמנית מורכבת בין מצבי תשומת לב והרפיה שמפורשים באמצעות EEG; לכן, סיווג מצבי קשב והרפיה באמצעות EEG הוא קשה⁴. מודלים קלאסיים של למידת מכונה, כולל מכונת וקטור תמיכה (SVM) ויער אקראי, הראו ביצועים בינוניים; עם זאת, הם בדרך כלל מבוססים על הנדסת תכונות כי הם אינם מנצלים במלואו את המורכבות המרחבית-ספקטרלית-זמנית של EEG⁵. התפתחויות אחרונות בלמידה עמוקה, במיוחד רשת עצבית קונבולוציונית (CNN) וטרנספורמר, הציגו הזדמנויות חדשות לחילוץ תכונות אוטומטי וסיווג חזק של אותות EEG⁶.

מערכות BCI מבוססות EEG נחקרו בהרחבה במשך תקופה ארוכה ככלי במעקב אחר מצב קוגניטיבי, שיקום נוירולוגי ומערכות אינטראקטיביות. הגדרת מצב נפשי היא אחד האתגרים החשובים ביותר, לדוגמה, הרפיה ומצבי קשב. בתגובה לכך, מדענים הדגימו מגוון פתרונות, כגון הנדסת תכונות סטנדרטיות ומודלים מתקדמים של למידה עמוקה. גישות קלאסיות של למידת מכונה מתבססות בעיקר על תכונות מהונדסות ידנית בזמן, בתדר או במרחב זמן-תדר. מחקר על אלגוריתמים היברידיים של למידה עמוקה כחלק ממערכת SET-Net לסיווג קשב-הרפיה מבוסס EEG נמצא ככיוון מדעי חשוב, שכן הוא עשוי לשפר מערכות BCI שניתן להשתמש בהן בסביבות אמיתיות^7,8. מודלים של למידה עמוקה, כולל רשתות עצביות קונבולוציונליות (CNNs), רשתות עצביות חוזרות (RNNs) וטרנספורמרים, השיגו התקדמות משמעותית בפענוח אותות EEG בעשור האחרון^9,10. התפתחויות אלו הובילו לפענוח טוב ויעיל יותר של מצבים קוגניטיביים, הרצויים למצבים קוגניטיביים בשיקום נוירולוגי וטכנולוגיות מסייעות^11,12. הפופולריות הגוברת של מערכות BCI מדגישה את המשמעות היישומית של שיפור דיוק הסיווג, ותוצאות עדכניות הראו כי הסיווג יכול להיות מעל 85% בדימות מוטורי ופעילויות קשב^13,14. למרות זאת, אתגרים להשגת סיווגים חזקים בזמן אמת בסביבות מגוונות ורועשות עדיין קיימים למרות התפתחויות אלו^15,16. הבעיה המרכזית שמטופלת במחקר זה היא הדיוק והתוקף החיצוני של מודלים מבוססי EEG לסיווג קשב-הרפיה, במיוחד מודלים הכוללים למידה עמוקה היברידית בארכיטקטורת SET-Net^17,18, מוגבלות. השיטות הקיימות בדרך כלל קשורות לבעיות של שונות בין נושאים, רעש אות נמוך, וניצול לקוי של תכונות מרחב-זמן^19,20,21. ישנן שיטות המיועדות לחילוץ תכונות קונבולוציוני, ואחרות מכוונות לארכיטקטורת קשב או טרנספורמרים, מה שמוביל לדעות שונות לגבי עיצוב המודל הטוב ביותר^22,23,24. בנוסף, מודלים של EEG אינם קלים לאימון ולהצדקה בשל חוסר זמינות של מאגרי נתונים גדולים עם הערות^25,26. חוסר הידע הזה מגביל את השימוש ב-BCI בתנאים אמיתיים, והדבר החשוב ביותר להיות גמיש ומדויק ^27,28. תיאורטית זה מבוסס על שילוב של חילוץ תכונות מרחבי, זמני ומבוסס קשב באמצעות מודלים היברידיים של למידה עמוקה^29,30,31. שילוב זה ניכר במסגרת SET-Net, שמושגת דרך שכבות קונבולוציוניות לחילוץ תכונות מקומיות ומנגנוני תשומת לב עצמית ללימוד תלות גלובלית³². סינרגיה זו משפרת את ייצוג אותות EEG וניתן ליישם אותה לסיווג טוב יותר של מצבי הרפיה ותשומת לב. התיאוריה מתחילה מתוך המציאות שניתן לבטל את השונות של אותות EEG ורעש באמצעות עוצמת תכונות מרחב-זמן רב-קנה מידה וטכניקות התאמת תחום³³. הסקירה השיטתית מתמקדת בבחינה ביקורתית של ההתקדמות התיאורטית של דיוק ויישום מעשי של שיטות למידה עמוקה היברידיות של ארכיטקטורת SET-Net של סיווג קשב-הרפיה מבוסס EEG³⁴. הסקירה תשמש להכוונת יצירת מערכת BCI טובה יותר, פרשנית וניתנת להכללה בניסויים עתידיים באמצעות סינתזה של ההתפתחויות האחרונות וזיהוי החוזקות והמגבלות של השיטות. פערים כאלה יסייעו בפיתוח עתידי של יישומים אמיתיים של BCI שישפרו את השימוש והאמינות של המערכת. הסקירה יישמה גישה רחבה של סקירת ספרות, שבה מאמרים שעברו ביקורת עמיתים התבססו על מודלים היברידיים של למידה עמוקה בסיווג קשב-הרפיה EEG³⁴. קריטריוני ההכללה מתמקדים במגמות עדכניות בארכיטקטורות קונבולוציונליות, רנטריות ומבוססות קשב במסגרת SET-Net או מערכות דומות³⁵. מודלים אנליטיים מעריכים עיצובי מודלים, אלגוריתמים לבחירת תכונות, דיוק סיווג ויכולת עבודה בסביבה אמיתית. הממצאים מאורגנים כדי להסביר בניית תיאוריה, פרקטיקה והזדמנויות מחקר עתידיות.

למרות ההתקדמות האחרונה, השיטות הקיימות אינן מצליחות ללכוד בו-זמנית תלות מרחבית, ספקטרלית וזמנית לטווח ארוך באותות EEG חד-ערוציים, מה שמוביל לביצועים לא אופטימליים בסיווג קשב-הרפיה. בנוסף, השיטות הקיימות מבוססות על מאפיינים שנוספו ידנית או מתחשבות רק בכמה תכונות של אותות EEG; לכן, לא ניתן להכליל אותם בין משתתפים ותנאים בזמן אמת. לכן, יש צורך במסגרת מאוחדת שיכולה למודל באופן מספק תכונות EEG רב-ממדיות וחזקה וניתנת למחקר בזמן אמת.

כדי להתגבר על חסרונות אלו, מחקר זה מציע מודל למידה עמוקה היברידי, המכונה רשת הטרנספורמר ללחיצה וגירוי (SET-Net). במיוחד, מודול CNN לומד דפוסים מקומיים מרחביים-ספקטרליים באמצעות ספקטרוגרמות EEG ומתגבר על המגבלות של חילוץ תכונות בעבודת יד. בלוק SE משפר ייצוג תכונות על ידי התאמת חשיבות לפי ערוץ והגברת עמידות רעש ושונות. מקודד טרנספורמר מדמה תלות זמנית לטווח ארוך שאינה מוגבלת למודלים של CNN בלבד. בנוסף, ניתן לבצע ניתוח זמן-תדירות ביעילות באמצעות ייצוג מבוסס ספקטרוגרמה, המשפר את הלמידה של תכונות מבחינות. כדי להבטיח ביצועים יציבים, אומצו אימון מאוזן ואימות ללא דליפות, ששיפרו את הכללת הביצועים בין הנבדקים.

יתרה מזאת, המבנה המוצע מאושר ביישום בזמן אמת, שבו המצבים הקוגניטיביים המסווגים עוברים שינוי לפקודות שליטה של מערכות אינטראקטיביות. דבר זה מראה שהמודל ישים מעשית בטכנולוגיות סיוע ונגישות דיגיטלית ויכול לשמש ביישום מעשי של BCI.

ההישג המרכזי של מחקר זה הוא עיצוב ארכיטקטורת SET-Net היברידית חדשה המשלבת רשתות עצביות קונבולוציוניות, תשומת לב דחופה וגירוי, ומקודדי טרנספורמטורים למידול טוב יותר של אותות EEG. יתרה מזאת, נעשה שימוש בייצוג מבוסס ספקטרוגרם לייצוג מוצלח של תכונות הזמן-תדר של אותות ה-EEG. המסגרת המוצעת מאפשרת סיווג חזק של מצבים קוגניטיביים של קשב והרפיה. יתרה מזאת, המודל הוכח כבעל יישום מעשי ביישום ממשק מוח למחשב בזמן אמת.

מאמר זה מאורגן לחלקים שבהם סקירה של מחקרים המסווגים את מחלקות הקשב וההרפיה של פעילות המוח כפי שמיושמות במערכות BCI. מאמר זה בנוי כך שיציג תחילה את הפערים והאתגרים המחקריים הקשורים לפיתוח מערכות BCI, ובהמשך מציג את תהליך רכישת הנתונים והמתודולוגיה הכוללת הקלטת אותות EEG. עיבוד מוקדם, וייצוג תכונות. הוא דן בחשיבות של פעילויות קשב והרפיה, וכן בתהליך הפקת תכונות משמעותיות מנתוני EEG. הממצאים מוצגים ומוערכים באמצעות ניתוחים כמותיים והשוואתיים, וכן את ביצועי היישום בפועל. החלק האחרון דן בממצאים, במגבלות המחקר ובכיווני העבודה העתידיים.

Protocol

המחקר נערך בהתאם להצהרת הלסינקי ואושר על ידי ועדת האתיקה המוסדית של אוניברסיטת SR, וורנגל, טלנגנה, הודו (אישור מס' 007/2026). הסכמה מדעת התקבלה בכתב מכל המשתתפים לפני איסוף הנתונים.

בחירת משתתפים

נתוני EEG נאספו מ-11 משתתפים בריאים (טווח גיל: 25–45 שנים; גיל ממוצע: 28 שנים) ללא היסטוריה של הפרעות נוירולוגיות או פסיכיאטריות. במחקר זה נבחנו בסך הכל 1175 מקטעי EEG, מתוכם 527 שייכים למחלקת ההרפיה ו-648 שייכים למחלקת הקשב. משתתפים שהקלטות ה-EEG שלהם הראו ארטיפקטים תנועתיים מופרזים או איכות אות ירודה הוצאו מהדרך.

הגדרת רכישת EEG

הפריסה הכללית של מערכת הממשק המוצעת מבוססת EEG בין מוח למחשב מוצגת באיור 1, המציג את כל צינור רכישת האותות, הסיווג והשימוש בזמן אמת. נתוני ה-EEG נרשמו באמצעות מודול רכישת ביופוטנציאל קטן המקושר למערכת מבוססת מיקרו-בקר. אלקטרודות הג'ל הונחו על בסיס מערכת International 10–20, כלומר, הנקודות הפרה-פרונטליות של Fp1 ו-Fp2, כאשר אלקטרודות ייחוס והארקה הוצבו באפרכת האוזן, כפי שמוצג באיור 2. האותות דיגיטליו בקצב של 128 הרץ ונשלחו למחשב באמצעות סקריפט רכישה שכתב בעצמו בפייתון. נעשה שימוש בטיפול מקדים מתאים בעור ובג'ל מוליך להפחתת התנגדות האלקטרודות ולשיפור איכות האות.

הליך ניסויי

הקלטות EEG בוצעו בשני תנאים קוגניטיביים, הרפיה ותשומת לב, בהתאם לפרוטוקול סטנדרטי. בתנאי הרפיה, המשתתף ישב בסביבה נוחה ובעלת רעש נמוך והונחה להישאר בשקט עם תנועה מינימלית. אודיו אינסטרומנטלי מרגיע הושמע דרך אוזניות, ורכישת EEG החלה באמצעות פייתון collect.py פקודה. אותות EEG הוקלטו במשך 5 דקות בכל מפגש וחזרו על עצמם במשך ארבעה מפגשים. במצב הקשב, המשתתף קיבל הוראה לבצע משימות דורשות קשב כמו משחקים אינטראקטיביים, תוך שמירה על אותה מערכת רכישה כמו במצב הרפיה. אותות EEG הוקלטו במשך 5 דקות בכל מפגש וחזרו על עצמם במשך ארבעה מפגשים. כל משתתף השתתף בסך הכול במשך 40 דקות, שכללו 20 דקות של הרפיה ו-20 דקות של משימות קשב, מה שאפשר השוואה אמינה של מצבים קוגניטיביים.

מערך הנתונים המעובד אורגן למקטעים מסומנים כדלקמן: הרפיה (0); תשומת לב (1). לכל מקטע משך 4 שניות עם חפיפה של 50% והוא יוצג כספקטרוגרם באמצעות טרנספורם פורייה קצר מועד.

עיבוד אותות, ייצוג תכונות ויישום מודלים

אותות ה-EEG שהתקבלו עובדו מראש כדי למנוע רעש וארטיפקטים. מסנן חריץ של 50 הרץ שימש להסרת הפרעות בקו חשמל, ומסנן פס Butterworth מסדר 4 באות שבין 0.5 ל-30 הרץ שימש לבחירת תחומי התדר הרלוונטיים של EEG. סף המשרעת ובדיקה ויזואלית שימשו לזיהוי מקטעים מזוהמים בחפצים, וכ-8–12% מהנתונים נמחקו. הוספת רעש גאוסיאנית, מסכת זמן והסתרת תדרים הן שיטות להגדלת נתונים המשמשות לשיפור עמידות המודל. אותות EEG סיננו ואז חולקו לחלונות של 4 שניות המופרדים ב-50 אחוזים.

מקטעי ה-EEG הבודדים הומרו לייצוג זמן-תדר (טרנספורמציית פורייה קצרה-זמן), כפי שמוצג במשוואה (1), כדי לאפשר חילוץ מאפיינים זמניים וספקטרליים.

(1)

הספקטרוגרמות שנוצרו עברו נורמליזציה וגודלה מחדש לממדים קבועים כדי לשמש כקלטים למודל הסיווג. כדי למנוע דליפת נתונים הנגרמת מחפיפה, מערך הנתונים חולק לתת-קבוצות אימון (70%), אימות (10%) ובדיקות (20%) לפני הסגמנטציה, כפי שמודגם באיור 3. בנוסף, בוצעה אימות הדדי של "השארת נבדק אחד" (LOSO) כדי להעריך הכללה חוצה נבדקים, כאשר הנתונים מנבדק אחד שימשו לבדיקה, בעוד שהנתונים הנותרים שימשו לאימון.

ארכיטקטורת SET-Net המוצעת, כפי שמוצג באיור 4, תוכננה ללכוד תכונות EEG רב-ממדיות. המודל משלב עמוד שדרה של רשת עצבית קונבולוציונית (CNN) כדי להפיק ייצוגים מרחביים-ספקטרליים, ואחריו בלוק סחיטה וגירוי (SE) שמכייל מחדש את חשיבות התכונה לפי ערוץ, כפי שמתואר במשוואה (2). עמוד השדרה של ה-CNN מורכב משתי שכבות קונבולוציוניות עם גודל גרעין של 3 × 3, ואחריהן נרמול אצווה והפעלה של יחידה ליניארית מעריכית (ELU)

(2)

המבנה הפנימי של בלוק SE מוצג באיור 5. כדי ללכוד תלות זמן לטווח ארוך, הוכנס מקודד שנאי, שמנגנון הקשב שלו מוגדר במשוואה (3) ומודגם באיור 6.

(3)

שכבת איגוד ממוצעת אדפטיבית שימשה להקטנת מפות התכונות לגודל קבוע של 16 × 16. יחס ההפחתה של בלוק SE הוא 8, המשמש לכיול מחדש של תגובות התכונה לפי ערוץ. מקודד הטרנספורמטור כלל ארבע שכבות עם ארבעה ראשי קשב, גודל ממדי הזנה קדמית של 256, וגודל הטמעת מודל של 128.

הסיווג הסופי בוצע באמצעות שכבות מחוברות לחלוטין עם רגולריזציה של נפילת השטח ופונקציית הפעלה של softmax להבחנה בין מצבי הקשב למצב הרפיה. הארכיטקטורה המפורטת מבחינת שכבות של המודל המוצע מוצגת בטבלה 1.

המודל אומן באמצעות אופטימייזר AdamW עם קצב למידה התחלתי של 0.001 ודעיכת משקל של 1×10⁻⁴. מתזמן אנילינג קוסינוס שימש להגברת התכנסות, ו-50 אפוקים אומנו באמצעות גודל אצווה של 32. חוסר האיזון במחלקות נפתר באמצעות פונקציית אובדן אנטרופיה צולבת משוקללת, כפי שמתואר במשוואה (4).

(4)

טבלה 2 מסכמת את תצורת האימון, וטבלה 3 מציגה את חיפוש ההיפרפרמטרים של ה-SET-Net המוצע, ששימש בסיווג הרפיית קשב מבוסס EEG. הפרמטרים שנבחרו מספקים יציבות של האימון, הכללה מוגברת וסבילות לשינויים באותות EEG. הפרמטרים הנבחרים מספקים יציבות לתהליך האימון, משפרים הכללה ומתנגדים לשינויים באות ה-EEG. דיוק, דיוק, זיכרון, ציון F1 ו-ROC-AUC שימשו למדידת ביצועי המודל. כל הצינורות הכוללים עיבוד מוקדם, אימון מודלים והערכה נכתבו בפייתון באמצעות מסגרת PyTorch כדי להבטיח שחזוריות. טבלה 4 מספקת תיאור מפורט של פתרון תקלות כדי להנחות ולפתור בעיות הקשורות לרכישת EEG, עיבוד מוקדם, אימון מודלים ושימוש בזמן אמת. טבלה 5 מספקת סקירה של חומרי מכשיר ה-EEG כדי לאפשר מסגרת קלה לביצוע ניסויים ולסידור הניסויים. פייתון 3.8 עם מסגרת הלמידה העמוקה PyTorch שימשה ליישום מסגרת SET-Net המוצעת. ספריות מחשוב מדעיות סטנדרטיות שימשו לעיבוד מוקדם של אותות ולחילוץ תכונות באמצעות NumPy, SciPy ו-Matplotlib. כל הליך ניסיוני בוצע על מערכת עם מעבד Intel i7 ו-16GB RAM כדי להאיץ את אימון המודלים.

זמינות נתונים:

מערך הנתונים האנונימיים של EEG שנוצר ונותח במהלך מחקר זה זמין לציבור במאגר זנודו תחת קישור ההרשמה הבא: https://zenodo.org/records/19627795.

כל הנתונים הוסרו כדי להבטיח סודיות המשתתפים בהתאם להנחיות אתיות מוסדיות שאושרו על ידי ועדת האתיקה המוסדית של אוניברסיטת SR (אישור מס' 007/2026).

המידע המעובד, הגדרות המודל והפרטים הספציפיים ליישום הנדרשים לשחזור התוצאות מוצגים בכתב היד, וקוד המקור זמין לציבור בכתובת: https://github.com/Ravichanderj/SET-Net-EEG-BCI.

Results

ייצוג תכונות מבוסס ספקטרוגרם

המטרה העיקרית של מחקר זה הייתה לסווג נכון את מצבי הקשב וההרפיה בעזרת אותות EEG. המרת אותות EEG גולמיים לספקטרוגרמות אפשרה להפיק תכונות מבחינות ביעילות. הספקטרוגרמות מצביעות על הגברה בפעילות הפס האלפא (8–13 הרץ) במהלך הרפיה והגברה בפעילות בטא (14–25 הרץ) במהלך תשומת הכוב. הפיצול הברור הזה בתכונות בתחום התדר מצדיק במפורש את מטרת המחקר בכך שהוא מראה שהייצוג של הקלט בפני עצמו מייצג הבדלים משמעותיים בין שני המצבים הקוגנ...

Discussion

המחקר הנוכחי מציע מודל למידה עמוקה היברידי, SET-Net, לסיווג הרפיית קשב מבוסס EEG. כדי ללמוד את התכונות המרחביות, הספקטרליות והזמן של אותות EEG, הארכיטקטורה משלבת רשתות עצביות קונבולוציונליות, ריכוז דחיסה ועירור ומקודדי טרנספורמר, כפי שמוצג באיור 5. הממצאים מצביעים על כך שהשיטה המוצעת יכולה לעמוד במטרת המחקר. הדיוק, ציון F1 וערכי ROC-AUC (טבלה 6) גבוהים, מה שמוכיח שהמודל אמין ומאזן את ביצועי הסיווג. לפי מטריצת הבלבול (איו...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
מחשב / מחשב נייד	גנרי	כל מערכת סטנדרטית	≥ מומלץ ל-8GB RAM
סקריפט רכישת נתונים	מנהג	collect.py	סקריפט רכישה מבוסס פייתון
אלקטרודות ג'ל חד-פעמיות	גנרי	אלקטרודות Ag/AgCl מורכבות מראש	חד-פעמי, דבק
מודול רכישת EEG	מעבדות הפוכות	כדור BioAmp EXG	חזית אנלוגית לאותות ביופוטנציאל
ג'ל אלקטרודה (אם נעשה שימוש באלקטרודות רב-פעמיות)	גנרי	ג'ל מוליך	משפר את מוליכות האותות
אפליקציה אינטראקטיבית (משחק)	גנרי	כל משחק פשוט (למשל, מרוצים)	ממשק מבוקר על ידי מקלדת
חוטי קופץ	גנרי	זכר– מחברים נקביים	חוטי לוח לחם סטנדרטיים
Matplotlib / Seaborn	קוד פתוח	גרסאות אחרונות	ספריות ויזואליזציה
לוח מיקרו-בקר	ארדואינו	אונו / יוצר אונו	ממשק USB ב-10 ביט
סביבת תכנות בפייתון	קרן התוכנה של פייתון	Python & ge; 3.8	שפת תכנות בקוד פתוח
ספריית PyTorch	מטא AI	גרסה ≥ 1.12	מסגרת למידה עמוקה
Scikit-learn	קוד פתוח	הגרסה היציבה האחרונה	כלי למידת מכונה
ספריות עיבוד אותות	SciPy	הגרסה האחרונה	סינון, STFT
כבל USB	גנרי	USB Type-A ל-B	כבל העברת נתונים