Детальная информация

Цель работы: разработка адаптивного многодоменного подхода для извлечения признаков из сигналов ЭЭГ с низким отношением сигнал-шум и нестационарными характеристиками. Результаты: предложен гибридный метод, сочетающий временно-частотный анализ, динамическое моделирование пространственной топологии и нелинейное сопряжение. Проведена валидация на открытом наборе данных P300-BCI, достигнута точность классификации 74,45% с использованием LDA.

Objective: Development of an adaptive multidomain approach for feature extraction from EEG signals with low signal-to-noise ratio and non-stationary characteristics.  Results: A hybrid method combining time-frequency analysis, dynamic modeling of spatial topology, and nonlinear coupling is proposed. Validation was performed on the open P300-BCI dataset, achieving a classification accuracy of 74.45% using LDA.

• СПИСОК АББРЕВИАТУР, СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ
• ВВЕДЕНИЕ
• ГЛАВА 1. ОБЗОР ЛИТЕРАТУРЫ
• 1.1. Извлечение признаков
• 1.2. Методы извлечения признаков
  • 1.2.1. Дискретное вейвлет-преобразование (DWT)
  • 1.2.2. Параметры Хьорта
  • 1.2.3. Преобразование Фурье (FFT)
  • 1.2.4. Спектральная плотность мощности (PSD)
  • 1.2.5. Адаптивные общие пространственные шаблоны (
  • 1.2.6. Признаки временной области (TD)
  • 1.2.7. Адаптивная авторегрессионная модель (AAR)
  • 1.2.8. Вейвлет-пакетное преобразование (WPT)
• 1.3. Выводы
• ГЛАВА 2. МЕТОДЫ ИЗВЛЕЧЕНИЯ ПРИЗНАКОВ
• 2.1. Математические основы извлечения признаков
  • 2.1.1. Дискретное вейвлет-преобразование (DWT)
  • 2.1.2. Параметры Хьорта
  • 2.1.3. Преобразование Фурье (FFT)
  • 2.1.4. Спектральная плотность мощности (PSD)
  • 2.1.5. Адаптивные общие пространственные шаблоны (
  • 2.1.6. Признаки временной области (TD)
  • 2.1.7. Адаптивная авторегрессионная модель (AAR)
  • 2.1.8. Вейвлет-пакетное преобразование (WPT)
• 2.2. Признаки на основе глубокого обучения
  • 2.2.1. Интерпретируемость и визуализация
  • 2.2.2. Обработка исходного сигнала
  • 2.2.3. Иерархическое обучение признакам
  • 2.2.4. Полносвязные нейронные сети (FNN)
  • 2.2.5. Сверточные нейронные сети (CNN)
  • 2.2.6. Рекуррентные нейронные сети (RNN)
• 2.3. Рассматриваеиые признаки
  • 2.3.1. Многодоменная структура признаков
  • 2.3.2. Адаптивная оптимизация
  • 2.3.3. Преимущества
  • 2.3.4. Описание экспериментального набора данных
  • 2.3.5. Алгоритмы классификации для оценки производ
• 2.4. Выводы
• ГЛАВА 3. РЕЗУЛЬТАТЫ
• 3.1. Проблемы прямой классификации исходных данных
• 3.2. Производительность классификации
• 3.3. Визуализация результатов
  • 3.3.1. Анализ матрицы ошибок
  • 3.3.2. Анализ ROC-кривых
• 3.4. Влияние выбора признаков на производительност
• 3.5. Сравнительная эффективность методов выбора пр
• 3.6. Влияние размерности признаков на эффективност
• 3.7. Влияние размерности признаков на производител
• 3.8. Выводы
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ