Данная работа посвящена исследованию различных методов классификации, предварительной обработки данных, выделения и отбора признаков, используемых в построении систем распознавания эмоций по сигналам электроэнцефалографии. Задачи, которые решались в ходе исследования: 1) изучение принципа и всех особенностей при построении системы ИМК; 2) обзор различных методов для каждого из основных этапов при построении системы ИМК по обработке электроэнцефалографии и выявление наиболее эффективных для задачи распознавания эмоций; 3) построение собственной системы ИМК по распознаванию эмоций. В данном исследовании были рассмотрены различные системы по распознаванию эмоций, проведено сравнение эффективности применяемых в них методах классификации, а также разработана собственная система интерфейса мозг-компьютер для получения информации об эмоциональном состоянии человека по сигналам электроэнцефалографии, взаимодействие и дальнейшее распознавание эмоциональных состояний человека было достигнуто с помощью разных методов машинного обучения и системного анализа. Результаты работы можно использовать во всех интерфейсах мозг-компьютер, использующих сигнал электроэнцефалографии.

This research focuses on investigating various classification methods, data preprocessing techniques, feature extraction and selection approaches used in the development of emotion recognition systems based on electroencephalogram signals. The objectives of this study were as follows: 1) understand the principles and peculiarities involved in building an emotion recognition system. 2) review different methods for each key stage in constructing an emotion recognition system, including EEG data processing, and identifying the most effective techniques for emotion recognition. 3) develop a custom emotion recognition system using EEG signals. In this research, various emotion recognition systems were examined, and the effectiveness of the classification methods employed in these systems was compared. Additionally, a novel brain-computer interface system was developed to extract information about a persons emotional state from EEG signals, enabling interaction and further recognition of emotional states using different machine learning methods and system analysis techniques. The results of this work can be applied to all brain-computer interfaces utilizing EEG signals.