Автоматическое распознавание зрительных стимулов по единичным вызванным потенциалам на электроэнцефалограмме
https://doi.org/10.17586/0021-3454-2023-66-3-247-250
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.
Об авторах
М. Я. Марусина
Университет ИТМО
Россия
Россия
Мария Яковлевна Марусина - д-р техн. наук, профессор; факультет систем управления и робототехники
Санкт-Петербург
И. В. Бурдаев
Университет ИТМО
Россия
Россия
Игорь Владиславович Бурдаев - студент; факультет программной инженерии и компьютерной техники
Санкт-Петербург
Список литературы
1. 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.
2. 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.
3. 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.
4. Пономарев С. В., Малашин Р. О., Моисеенко Г. А. Автоматическая классификация зрительных стимулов по электроэнцефалограмме наблюдателя // Оптич. журн. 2018. № 8. С. 67-76.
5. 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>
6. 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.
7. 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.
8. 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.
9. 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.
10. 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.
11. 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.
12. 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.
Рецензия
Для цитирования:
Марусина М.Я., Бурдаев И.В. Автоматическое распознавание зрительных стимулов по единичным вызванным потенциалам на электроэнцефалограмме. Известия высших учебных заведений. Приборостроение. 2023;66(3):247-250. https://doi.org/10.17586/0021-3454-2023-66-3-247-250
For citation:
Marusina M.Ya., Burdaev I.V. Automatic Recognition of Visual Stimules by Single Evoked Potentials on an Electroencephalogram. Journal of Instrument Engineering. 2023;66(3):247-250. (In Russ.) https://doi.org/10.17586/0021-3454-2023-66-3-247-250
Просмотров:
13
Послать статью по эл. почте 