Oleksandr Yankovskyi
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Oleksandr Yankovskyi has a total of 12 co-authors. Here are the top co-authors by number of shared publications:
- Olesia Barkovska
Kharkiv National University of Radio Electronics, Kharkiv, Ukraine
4 shared publications - Artem Bakulin
Kharkiv National University of Radio Electronics, Kharkiv, Ukraine
1 shared publication - Daria Tymoshenko
Kharkiv National University of Radio Electronics
1 shared publication - Igor Ruban
Kharkiv National University of Radio Electronics
1 shared publication - Ihor Novoseltsev
Independent Researcher, Carlsbad, CA, USA
1 shared publication - Oleksandr Holovchenko
Kharkiv National University of Radio Electronics
1 shared publication
Latest Publications
- Open Access
- 31 October 2026
- Published by Institute for Digitalisation of Education of the National Academy of Educational Sciences of Ukraine in Information Technologies and Learning Tools
- Vol. 115 (5) , 248-264
COMPUTER VISION-BASED CONTACTLESS CONTROL INTERFACE FOR EDUCATIONAL ENVIRONMENTS
The relevance of this study is determined by the growing role of distance learning systems and the need to expand interaction modalities with them, particularly in situations of limited access to traditional input devices or within the context of inclusive education. The aim of this study is to design and assess the practical feasibility of a computer vision-based contactless interface for LMS control through operating-system input events, considering robustness under varying lighting, distance, viewpoint, and resolution and comparison with conventional mouse-and-keyboard interaction. To achieve this aim, the following tasks were formulated: to develop a model of a gesture-based LMS control method; to implement both a single-hand gesture mode and a bimanual interaction mode for different control scenarios; to conduct a series of experiments evaluating the accuracy and robustness of gesture recognition under varying recording conditions; and to perform a comparative analysis of the effectiveness of gesture-based control versus the classical “mouse and keyboard” interface. The research methods include computer vision techniques based on hand landmark detection, algorithmic interpretation of gestures using geometric and dynamic features, as well as experimental measurements of recognition accuracy, task execution time, and the number of interaction errors. The evaluation involved five static hand poses, 30 repetitions per pose, and three representative interaction scenarios. The results demonstrate that the proposed system provides stable recognition of large static hand poses across a wide range of lighting conditions and camera distances. Changes in hand orientation were identified as the most critical factor affecting recognition accuracy. All three scenarios were successfully completed in the baseline trials at a resolution of 1280×720, with no critical interaction errors recorded. The practical feasibility of gesture-based control was demonstrated through its integration with a real learning management system, dl.nure.ua, via operating system–level input events. The practical significance lies in its applicability for controlling educational web platforms in distance learning environments, during presentations, and in inclusive education scenarios.
- 31 October 2026
- Published by Institute for Digitalisation of Education of the National Academy of Educational Sciences of Ukraine in Information Technologies and Learning Tools
- Vol. 115 (5) , 248-264
Open AccessCOMPUTER VISION-BASED CONTACTLESS CONTROL INTERFACE FOR EDUCATIONAL ENVIRONMENTS
The relevance of this study is determined by the growing role of distance learning systems and the need to expand interaction modalities with them, particularly in situations of limited access to traditional input devices or within the context of inclusive education. The aim of this study is to design and assess the practical feasibility of a computer vision-based contactless interface for LMS control through operating-system input events, considering robustness under varying lighting, distance, viewpoint, and resolution and comparison with conventional mouse-and-keyboard interaction. To achieve this aim, the following tasks were formulated: to develop a model of a gesture-based LMS control method; to implement both a single-hand gesture mode and a bimanual interaction mode for different control scenarios; to conduct a series of experiments evaluating the accuracy and robustness of gesture recognition under varying recording conditions; and to perform a comparative analysis of the effectiveness of gesture-based control versus the classical “mouse and keyboard” interface. The research methods include computer vision techniques based on hand landmark detection, algorithmic interpretation of gestures using geometric and dynamic features, as well as experimental measurements of recognition accuracy, task execution time, and the number of interaction errors. The evaluation involved five static hand poses, 30 repetitions per pose, and three representative interaction scenarios. The results demonstrate that the proposed system provides stable recognition of large static hand poses across a wide range of lighting conditions and camera distances. Changes in hand orientation were identified as the most critical factor affecting recognition accuracy. All three scenarios were successfully completed in the baseline trials at a resolution of 1280×720, with no critical interaction errors recorded. The practical feasibility of gesture-based control was demonstrated through its integration with a real learning management system, dl.nure.ua, via operating system–level input events. The practical significance lies in its applicability for controlling educational web platforms in distance learning environments, during presentations, and in inclusive education scenarios.
- Open Access
- 5 June 2025
- Published by Kherson National Technical University in Вісник Херсонського національного технічного університету
- Vol. 2 (2(93)) , 26-36
СИСТЕМАТИЗАЦІЯ ЗНАНЬ ПРО ТИПИ ТА АРХІТЕКТУРИ БЛОКЧЕЙН-ТЕХНОЛОГІЙ: МОЖЛИВОСТІ ТА ПЕРСПЕКТИВИ ЗАСТОСУВАННЯ
Сучасні централізовані обчислювальні сервіси не забезпечують достатнього рівня децентралізації, прозорості та масштабованості, що обмежує їх використання у відкритих екосистемах. Виникає потреба в обґрунтованому виборі блокчейн-архітектури для створення ефективного маркетплейсу обчислювальних потужностей, який поєднає безпеку, продуктивність та економічну доцільність. Предметом аналізу наданої аналітичної роботи є архітектурні особливості та метрики оцінки блокчейн-технологій для побудови децентралізованих платформ обміну обчислювальними ресурсами. Метою роботи є систематизація знань про типи блокчейн-архітектур, алгоритми консенсусу та метрики ефективності, що дозволить обґрунтовано обрати технологічну основу для створення власного маркетплейсу обчислювальних потужностей. Задачами, що вирішувалися в роботі, є: класифікація блокчейн-архітектур за рівнем відкритості, типом консенсусу та підходом до масштабування; порівняння технічних, функціональних та економічних метрик провідних платформ (Ethereum, Polkadot, Hyperledger Fabric, IOTA, Solana); аналіз існуючих маркетплейсів Akash, Golem, iExec та визначення їхніх переваг/недоліків; формулювання вимог до власного рішення. В результаті проведеного аналітичного огляду сформовано системну типізацію блокчейн-рішень та узагальнено метрики порівняння архітектур із врахуванням трилеми блокчейну (децентралізація – масштабованість – безпека). Проведено порівняльний аналіз п’яти актуальних платформ (Ethereum, Hyperledger, Polkadot, Solana, IOTA) з точки зору їх придатності для створення маркетплейсу обчислювальних потужностей.Встановлено, що DAG-орієнтовані архітектури (зокрема IOTA) мають вищий потенціал масштабованості, але потребують доопрацювання механізмів безпеки. Платформи на основі BFT-консенсусу демонструють високу швидкодію, однак обмежені в контексті відкритого доступу. Запропоновано принципи формування гібридної архітектури з опорою на концепцію edge computing, що дозволяє ефективно балансувати навантаження, знижувати затримки та забезпечувати автономність учасників у межах розподіленого обчислювального середовища.Висновки: використання типізованого підходу до вибору блокчейн-архітектури дозволяє уникнути відомих обмежень існуючих систем та забезпечити високу адаптивність, ефективність і прозорість у новому маркетплейсі обчислювальних потужностей.
- 5 June 2025
- Published by Kherson National Technical University in Вісник Херсонського національного технічного університету
- Vol. 2 (2(93)) , 26-36
Open AccessСИСТЕМАТИЗАЦІЯ ЗНАНЬ ПРО ТИПИ ТА АРХІТЕКТУРИ БЛОКЧЕЙН-ТЕХНОЛОГІЙ: МОЖЛИВОСТІ ТА ПЕРСПЕКТИВИ ЗАСТОСУВАННЯ
Сучасні централізовані обчислювальні сервіси не забезпечують достатнього рівня децентралізації, прозорості та масштабованості, що обмежує їх використання у відкритих екосистемах. Виникає потреба в обґрунтованому виборі блокчейн-архітектури для створення ефективного маркетплейсу обчислювальних потужностей, який поєднає безпеку, продуктивність та економічну доцільність. Предметом аналізу наданої аналітичної роботи є архітектурні особливості та метрики оцінки блокчейн-технологій для побудови децентралізованих платформ обміну обчислювальними ресурсами. Метою роботи є систематизація знань про типи блокчейн-архітектур, алгоритми консенсусу та метрики ефективності, що дозволить обґрунтовано обрати технологічну основу для створення власного маркетплейсу обчислювальних потужностей. Задачами, що вирішувалися в роботі, є: класифікація блокчейн-архітектур за рівнем відкритості, типом консенсусу та підходом до масштабування; порівняння технічних, функціональних та економічних метрик провідних платформ (Ethereum, Polkadot, Hyperledger Fabric, IOTA, Solana); аналіз існуючих маркетплейсів Akash, Golem, iExec та визначення їхніх переваг/недоліків; формулювання вимог до власного рішення. В результаті проведеного аналітичного огляду сформовано системну типізацію блокчейн-рішень та узагальнено метрики порівняння архітектур із врахуванням трилеми блокчейну (децентралізація – масштабованість – безпека). Проведено порівняльний аналіз п’яти актуальних платформ (Ethereum, Hyperledger, Polkadot, Solana, IOTA) з точки зору їх придатності для створення маркетплейсу обчислювальних потужностей.Встановлено, що DAG-орієнтовані архітектури (зокрема IOTA) мають вищий потенціал масштабованості, але потребують доопрацювання механізмів безпеки. Платформи на основі BFT-консенсусу демонструють високу швидкодію, однак обмежені в контексті відкритого доступу. Запропоновано принципи формування гібридної архітектури з опорою на концепцію edge computing, що дозволяє ефективно балансувати навантаження, знижувати затримки та забезпечувати автономність учасників у межах розподіленого обчислювального середовища.Висновки: використання типізованого підходу до вибору блокчейн-архітектури дозволяє уникнути відомих обмежень існуючих систем та забезпечити високу адаптивність, ефективність і прозорість у новому маркетплейсі обчислювальних потужностей.
- Open Access
- 28 March 2025
- Published by Private Company Technology Center in Technology audit and production reserves
- Vol. 2 (2(82)) , 6-14
Research on mobile machine learning platforms for human gesture recognition in human-machine interaction systems
The subject of this research is mobile machine learning platforms for human gesture recognition within human-machine interaction systems, specifically for managing smart home components. One of the key challenges in gesture recognition is ensuring high accuracy, efficiency, and robustness of algorithms under real-world operating conditions. The problem lies in selecting optimal machine learning platforms capable of balancing local and cloud computing, processing speed, and adaptability to changing environmental conditions. The study presents a comparative analysis of the ML platforms Create ML (Apple) and Google Cloud AI Platform, which are used for gesture detection and recognition in smart home control systems. The obtained results demonstrate that Create ML achieves an accuracy of 95.81 %, while Google Cloud AI Platform reaches 89.43%, justifying their selection for further research. Additionally, experimental testing of sensor placement topology revealed that diagonal camera positioning increases accuracy by 0.62 % compared to parallel placement. The increased efficiency of Create ML is due to its ability to process data locally, reducing latency and dependence on an internet connection. In contrast, Google Cloud AI Platform relies on cloud resources, enabling the processing of large volumes of data but making it dependent on data transmission speed. The proposed gesture control algorithms can be used to enhance the accessibility of technology for people with disabilities, particularly in rehabilitation centers. Additionally, the research findings can be applied to contactless interfaces in medical facilities and public spaces, reducing the need for physical interaction with surfaces and improving hygiene levels. The use of mobile ML platforms in such scenarios allows for the optimization of computational resources and ensures the effective integration of gesture control into modern human-machine systems.
- 28 March 2025
- Published by Private Company Technology Center in Technology audit and production reserves
- Vol. 2 (2(82)) , 6-14
Open AccessResearch on mobile machine learning platforms for human gesture recognition in human-machine interaction systems
The subject of this research is mobile machine learning platforms for human gesture recognition within human-machine interaction systems, specifically for managing smart home components. One of the key challenges in gesture recognition is ensuring high accuracy, efficiency, and robustness of algorithms under real-world operating conditions. The problem lies in selecting optimal machine learning platforms capable of balancing local and cloud computing, processing speed, and adaptability to changing environmental conditions. The study presents a comparative analysis of the ML platforms Create ML (Apple) and Google Cloud AI Platform, which are used for gesture detection and recognition in smart home control systems. The obtained results demonstrate that Create ML achieves an accuracy of 95.81 %, while Google Cloud AI Platform reaches 89.43%, justifying their selection for further research. Additionally, experimental testing of sensor placement topology revealed that diagonal camera positioning increases accuracy by 0.62 % compared to parallel placement. The increased efficiency of Create ML is due to its ability to process data locally, reducing latency and dependence on an internet connection. In contrast, Google Cloud AI Platform relies on cloud resources, enabling the processing of large volumes of data but making it dependent on data transmission speed. The proposed gesture control algorithms can be used to enhance the accessibility of technology for people with disabilities, particularly in rehabilitation centers. Additionally, the research findings can be applied to contactless interfaces in medical facilities and public spaces, reducing the need for physical interaction with surfaces and improving hygiene levels. The use of mobile ML platforms in such scenarios allows for the optimization of computational resources and ensures the effective integration of gesture control into modern human-machine systems.
- Open Access
- 28 March 2025
- Published by Ukrainian State University of Railway Transport in Інформаційно-керуючі системи на залізничному транспорті
- Vol. 30 (1) , 47-58
Модель системи автоматизованого навантажувального тестування програмних застосунків із використанням методів штучного інтелекту
Стаття присвячена розробленню моделі системи автоматизованого навантажувального тестування програмних застосунків із використанням методів штучного інтелекту, пропонуючи інноваційний підхід для підвищення ефективності тестування програмного забезпечення в умовах динамічного розвитку сучасних технологій. Метою роботи є розроблення моделі системи автоматизованого навантажувального тестування програмних застосунків. Дослідницькою складовою в запропонованій системі є оцінювання ефективності використання методів штучного інтелекту для розпізнавання реєстраційних форм, що може призвести до скорочення часових і ресурсних затрат, а також забезпечити високу точність і надійність результатів. У роботі досліджено застосування згорткових нейронних мереж (CNN) для розпізнавання форм на основі зображень та оптичного розпізнавання символів (OCR) для аналізу тексту, що дає змогу автоматично ідентифікувати типи вебформ, таких як логін чи реєстрація, для автоматичної генерації в подальших дослідженнях тестових даних за отриманими розпізнаними формами та проведення навантажувального тестування засобами Apache JMeter. Результати демонструють, що CNN досягає точності до 92 % з розпізнаванням складних реєстраційних форм, хоча і з певними коливаннями під час валідації, тоді як OCR виявляється ефективнішим для простих форм логіна з точністю 88.9 %. Інтеграція моделі з JMeter сприяє автоматичному створенню тестових сценаріїв і підвищенню якості тестування. Отримані результати підтверджують ефективність розробленої методики, що дає змогу суттєво зменшити трудовитрати і підвищити якість навантажувального тестування. Запропонований підхід має перспективи подальшого розвитку, зокрема вдосконалення алгоритмів розпізнавання та розширення застосування для різних типів програмних інтерфейсів.
- 28 March 2025
- Published by Ukrainian State University of Railway Transport in Інформаційно-керуючі системи на залізничному транспорті
- Vol. 30 (1) , 47-58
Open AccessМодель системи автоматизованого навантажувального тестування програмних застосунків із використанням методів штучного інтелекту
Стаття присвячена розробленню моделі системи автоматизованого навантажувального тестування програмних застосунків із використанням методів штучного інтелекту, пропонуючи інноваційний підхід для підвищення ефективності тестування програмного забезпечення в умовах динамічного розвитку сучасних технологій. Метою роботи є розроблення моделі системи автоматизованого навантажувального тестування програмних застосунків. Дослідницькою складовою в запропонованій системі є оцінювання ефективності використання методів штучного інтелекту для розпізнавання реєстраційних форм, що може призвести до скорочення часових і ресурсних затрат, а також забезпечити високу точність і надійність результатів. У роботі досліджено застосування згорткових нейронних мереж (CNN) для розпізнавання форм на основі зображень та оптичного розпізнавання символів (OCR) для аналізу тексту, що дає змогу автоматично ідентифікувати типи вебформ, таких як логін чи реєстрація, для автоматичної генерації в подальших дослідженнях тестових даних за отриманими розпізнаними формами та проведення навантажувального тестування засобами Apache JMeter. Результати демонструють, що CNN досягає точності до 92 % з розпізнаванням складних реєстраційних форм, хоча і з певними коливаннями під час валідації, тоді як OCR виявляється ефективнішим для простих форм логіна з точністю 88.9 %. Інтеграція моделі з JMeter сприяє автоматичному створенню тестових сценаріїв і підвищенню якості тестування. Отримані результати підтверджують ефективність розробленої методики, що дає змогу суттєво зменшити трудовитрати і підвищити якість навантажувального тестування. Запропонований підхід має перспективи подальшого розвитку, зокрема вдосконалення алгоритмів розпізнавання та розширення застосування для різних типів програмних інтерфейсів.