priborИзвестия высших учебных заведений. ПриборостроениеJournal of Instrument Engineering0021-34542500-0381Национальный исследовательский университет ИТМО10.17586/0021-3454-2023-66-3-247-250pribor-103Research ArticleКРАТКИЕ СООБЩЕНИЯBRIEF NOTESАвтоматическое распознавание зрительных стимулов по единичным вызванным потенциалам на электроэнцефалограммеAutomatic Recognition of Visual Stimules by Single Evoked Potentials on an ElectroencephalogramМарусинаМ. Я.MarusinaM. Ya.

Мария Яковлевна Марусина - д-р техн. наук, профессор; факультет систем управления и робототехники

Санкт-Петербург

Maria Ya. Marusina - Dr. Sci., Professor; Faculty of Control Systems and Robotics

St. Petersburg

myamarusina@itmo.ruБурдаевИ. В.BurdaevI. V.

Игорь Владиславович Бурдаев - студент; факультет программной инженерии и компьютерной техники

Санкт-Петербург

Igor V. Burdaev - Student; Faculty of Software Engineering and Computer Systems

St. Petersburg

burdaev-igor@mail.ruУниверситет ИТМОРоссияITMO UniversityRussian Federation202326112024663247250Copyright © Национальный исследовательский университет ИТМО, 20242024Национальный исследовательский университет ИТМОНациональный исследовательский университет ИТМОhttps://pribor.ifmo.ru/jour/about/submissions#copyrightNoticehttps://pribor.ifmo.ru/jour/article/view/103

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.

The necessity of increasing the efficiency of automatic classification of visual stimuli by single evoked potentials on the observer's electroencephalogram is substantiated. The factors affecting the accuracy of recognition of the type of presented visual stimuli (living/non-living, clear/blurred) are determined. A data processing algorithm is developed that makes it possible to identify significant differences in the amplitudes of single evoked potentials.

распознавание единичных вызванных потенциаловметоды глубокого обученияискусственные нейронные сетиrecognition of single evoked potentialsdeep learning methodsartificial neural networksReferencesКапралов 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.Kapralov N., Nagornova Zh., Shemyakina N. Informatics and Automation, 2021, no. 1(20), pp. 94-132, DOI: https://doi.org/10.15622/ia.2021.20.1.4Lotte 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.Lotte F. et al. J. Neural. Eng., 2018, no.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.(15), pp. 031005. 3. Zhao X., Zhao J., Liu C., Cai W. Biomed. Res. Int., 2020, vol. 2020, рр. 7285057Пономарев С. В., Малашин Р. О., Моисеенко Г. А. Автоматическая классификация зрительных стимулов по электроэнцефалограмме наблюдателя // Оптич. журн. 2018. № 8. С. 67-76.Ponomarev S.V., Malashin R.O., Moiseenko G.A. Journal of Optical Technology, 2018, no. 8, pp. 499-506.Spaminato C., Palazzo S., Kavasidis I., Shah M. Deep learning human mind for automated visual classification // CVPR. 2017 [Электронный ресурс]: <https://arxiv.org/abs/1609.0034>Spaminato C., Palazzo S., Kavasidis I., Shah M. CVPR, 2017, https://arxiv.org/abs/1609.00344.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.Anodina-Andrievskaya E.M., Bozhokin S.V., Marusina M.Ya., Polonsky Yu.Z., Suvorov N.B. Journal of Instrument Engineering, 2011, no. 7(54), pp. 27-35. (in Russ.)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.Kiryakova T.N., Marusina M.Ya., Fedchenkov P.V. REJR, 2017, no. 2(7), pp. 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.Ya., Karaseva E.A. Asian Pacific Journal of Cancer Prevention, 2018, no. 10(19), pp. 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.Y., Mochalina A.P., Frolova E.P., Satikov V.I., Barchuk A.A., Kuznetcov V.I., Gaidukov V.S., Tarakanov S.A. Asian Pacific Journal of Cancer Prevention, 2017, no. 1(18), pp. 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.Marusina M.Ya., Karaseva E.A. REJR, 2018, no. 3(8), pp. 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.Tang Z., Sun S. Optik - International Journal for Light and Electron Optics, 2017, vol. 130, рр. 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.Malashin R.O. Journal of Optical Technology, 2016, no. 10(83), pp. 599-603.

The authors declare that there are no conflicts of interest present.