АВТОМАТИЧЕСКОЕ РАСПОЗНАВАНИЕ ЗРИТЕЛЬНЫХ СТИМУЛОВ ПО ЕДИНИЧНЫМ ВЫЗВАННЫМ ПОТЕНЦИАЛАМ НА ЭЛЕКТРОЭНЦЕФАЛОГРАММЕ Известия высших учебных заведений Приборостроение

DOI 10.17586/0021-3454-2023-66-3-247-250
УДК 612.82; 159.931; 004.93

АВТОМАТИЧЕСКОЕ РАСПОЗНАВАНИЕ ЗРИТЕЛЬНЫХ СТИМУЛОВ ПО ЕДИНИЧНЫМ ВЫЗВАННЫМ ПОТЕНЦИАЛАМ НА ЭЛЕКТРОЭНЦЕФАЛОГРАММЕ

Марусина М. Я.
Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация; профессор, ученый секретарь

Бурдаев И. В.
Университет ИТМО, факультет программной инженерии и компьютерной техники ;

Читать статью полностью

Аннотация. Обоснована необходимость повышения эффективности автоматической классификации зрительных стимулов по единичным вызванным потенциалам на электроэнцефалограмме испытуемого. Определены факторы, влияющие на точность распознавания вида предъявляемых зрительных стимулов (живой/неживой, четкий/размытый). Представлен алгоритм обработки данных, позволяющий выявлять значимые различия амплитуд единичных вызванных потенциалов.

Ключевые слова: распознавание единичных вызванных потенциалов, методы глубокого обучения, искусственные нейронные сети

Список литературы:

Капралов Н. В., Нагорнова Ж. В., Шемякина Н. В. Методы классификации ЭЭГ-паттернов воображаемых движений // Информатика и автоматизация. 2021. Т. 1, вып. 20. С. 94—132 DOI: org/10.15622/ia.2021.20.1.4.
Lotte F. et al. A review of classification algorithms for EEG-based brain-computer interfaces: a 10 year update // Journal Neural Eng. 2018. Vol. 15, N 3. P. 031005.
Zhao X., Zhao J., Liu C., Cai W. Deep Neural Network with Joint Distribution Matching for Cross-Subject Motor Imagery Brain-Computer Interfaces // BioMed. Res. Intern. 2020. Vol. 2020, N 7285057.
Пономарев С. В., Малашин Р. О., Моисеенко Г. А. Автоматическая классификация зрительных стимулов по электроэнцефалограмме наблюдателя // Оптич. журн. 2018. № 8. С. 67—76.
Spaminato C., Palazzo S., Kavasidis I., Shah M. Deep learning human mind for automated visual classification // CVPR. 2017 [Электронный ресурс]: .
Анодина-Андриевская Е. М., Божокин С. В., Марусина М. Я., Полонский Ю. З., Суворов Н. Б. Перспективные подходы к анализу информативности физиологических сигналов и медицинских изображений человека при интеллектуальной деятельности // Изв. вузов. Приборостроение. 2011. Т. 54, № 7. C. 27—35.
Kiryakova T. N., Marusina M. Ya., Fedchenkov P. V. Automatic methods of contours and volumes determination of zones of interest in MRI images // REJR. 2017. N 7 (2). P. 117—127. DOI: 10.21569 / 2222-7415-2017-7-2-117-127.
Marusina M. Ya., Karaseva E. A. Automatic Segmentation of MRI Images in Dynamic Programming Mode // Asian Pacific Journal of Cancer Prevention (APJCP). 2018. N 19(10). P. 2771—2775. DOI: 10.22034 / APJCP.2018.19.10.2771.
Marusina M. Y., Mochalina A. P., Frolova E. P., Satikov V. I., Barchuk A. A., Kuznetcov V. I., Gaidukov V. S., Tarakanov S. A. MRI Image Processing Based on Fractal Analysis // Asian Pacific Journal of Cancer Prevention (APJCP). 2017. N 18 (1). P. 51—55. DOI: 10.22034/APJCP.2017.18.1.51.
Marusina M. Ya., Karaseva E. A. Application of fractal analysis for estimation of structural changes of tissues on MRI imagies // REJR. 2018. N 8 (3). P. 107—112. DOI: 10.21569 / 2222-7415-2018-8-3-107-112.
Tang Z., Sun S. Single-trial EEG classification of motor imagery using deep convolutional neural networks // Optik — Intern. Journal for Light and Electron Optics. 2017. Vol. 130. P. 11—18.
Malashin R. O. Extraction of object hierarchy data from trained deep-learning neural networks via analysis of the confusion matrix // Journal of Optical Technology. 2016. Vol. 83. N 10. P. 599—603.

Партнеры

АВТОМАТИЧЕСКОЕ РАСПОЗНАВАНИЕ ЗРИТЕЛЬНЫХ СТИМУЛОВ ПО ЕДИНИЧНЫМ ВЫЗВАННЫМ ПОТЕНЦИАЛАМ НА ЭЛЕКТРОЭНЦЕФАЛОГРАММЕ