СОЛОВЕЙ, СергійСергійСОЛОВЕЙ0009-0009-2434-6085БАРАБАНОВ, ОлександрОлександрБАРАБАНОВ2026-03-182026-03-182025-10-09СОЛОВЕЙ, С., БАРАБАНОВ, О. (2025). EFFECTIVENESS OF USING THE OPENBCI BOARD FOR CLASSIFYING MOTOR IMAGERY. Bulletin of Taras Shevchenko National University of Kyiv. Biology, 102(3), 48–52. https://doi.org/10.17721/1728.2748.2025.102.48-5210.17721/1728.2748.2025.102.48-52https://ir.library.knu.ua/handle/15071834/13255This study explores the potential of brain-computer interface (BCI) systems based on motor imagery for application in modern neurorehabilitation. Motor imagery, as a non-invasive BCI modality, enables device control without physical movement, making it especially promising for restoring motor function in individuals recovering from stroke, injury, or neurodegenerative diseases. Special attention is given to the OpenBCI platform — an open-source hardware and software solution for electroencephalographic (EEG) signal acquisition. The relevance of this research lies in the need for accessible, portable, and effective BCI systems suitable for use outside of laboratory settings. Despite limited accuracy compared to commercial EEG systems, OpenBCI demonstrates considerable potential due to its openness, modularity, and low cost. The aim of this work is to analyze the effectiveness of an OpenBCI-based BCI system in motor imagery recognition, particularly for rehabilitation purposes. The object of the research is the brain-computer interface system with non-invasive signal acquisition. The subject of the research comprises algorithms and techniques aimed at improving the accuracy of motor imagery classification based on EEG signals acquired via OpenBCI. The methodological foundation of the study includes the analysis of scientific publications utilizing spatial filtering methods, machine learning (particularly deep learning), visual neurofeedback, adaptive stimulation, and signal window optimization. The literature review is based on scientific articles from databases such as IEEE Xplore, MDPI, Springer Nature, Frontiers, IOPscience, among others. This study seeks to systematize current approaches for enhancing the accuracy of motor imagery classification using OpenBCI and to outline prospects for their implementation in personalized rehabilitation systems. The advantages and challenges of employing open-source BCI solutions in clinical and non-clinical environments are also discussed.У роботі розглянуто можливість використання інтерфейсів мозок-комп’ютер (BCI) на основі моторної уяви (motor imagery) у контексті сучасної нейрореабілітації. Моторна уява як неінвазивна модальність BCI дозволяє реалізовувати управління пристроями без фізичного руху, що робить її особливо перспективною для застосування у відновленні рухових функцій після інсульту, травм або нейродегенеративних захворювань. Особливу увагу приділено платформі OpenBCI — відкритому апаратно-програмному рішенню для зчитування електроенцефалографічних (ЕЕГ) сигналів. Актуальність дослідження зумовлена необхідністю створення доступних, портативних та ефективних BCI-систем, придатних до використання поза лабораторією. Попри обмежену точність у порівнянні з комерційними ЕЕГ-системами, OpenBCI має значний потенціал завдяки своїй відкритості, модульності та низькій вартості. Метою роботи є аналіз ефективності BCI-системи на основі OpenBCI для розпізнавання моторної уяви, зокрема у завданнях реабілітації. Об’єктом дослідження є система мозок-комп’ютер з неінвазивним зчитуванням сигналів. Предметом дослідження виступають алгоритми та техніки, що підвищують точність класифікації моторної уяви на основі сигналів ЕЕГ, зібраних за допомогою OpenBCI. Методологічно дослідження ґрунтується на аналізі наукових публікацій, у яких використовувалися методи просторової фільтрації, машинного навчання (зокрема глибинного), візуального нейрофідбеку, адаптивної стимуляції, а також оптимізація тривалості вікна сигналу. В якості інформаційного джерела використано наукові статті, опубліковані у базах IEEE Xplore, MDPI, Springer Nature, Frontiers, IOPscience та інших. Робота має на меті систематизувати сучасні підходи до підвищення точності класифікації моторної уяви з використанням OpenBCI та окреслити перспективи їхнього впровадження у персоналізовану систему реабілітації. Також розглядаються переваги та виклики, пов’язані з використанням відкритих BCI-рішень у клінічних та позаклінічних умовах.ukOpenBCIмоторне уявленнянейрозворотний зв’язок (нейрофідбек)нейрореабілітаціяінтерфейс мозок-комп’ютернейробіологіянейрофізіологіякогнітивні функціїмузикаувагапам'ятьсенсомоторна реакціяOpenBCImotor imageryneurofeedbackneurorehabilitationbrain-computer interfaceСтаття