Детальная информация

Цель работы: исследование влияния методов предобработки ЭЭГ-сигналов на точность их классификации. Решаемые задачи:1) обзор методов сбора и обработки ЭЭГ и источников артефактов;2) использование набора данных PhysioNet EEG Dataset;3) реализация алгоритмов удаления артефактов и фильтрации на языке Python;4) сравнение результатов классификации. Работа проведена на базе открытого набора данных PhysioNet EEG Motor Movement/Imagery Dataset. Были исследованы применение методов ICA и вейвлетное шумоподавление на результаты классификации ЭЭГ-сигнала. Оценка результатов проводилась по метрике accuracy с дополнительным визуальным анализом временных сигналов и спектров мощности. В результате показано, что для реального движения наиболее эффективно вейвлетное шумоподавление в сочетании с CSP. Полученные результаты могут быть использованы при выборе последовательности предобработки ЭЭГ в системах «мозг–компьютер». В процессе выполнения работы использовались информационные технологии и программное обеспечение: Python, MNE, NumPy, SciPy, PyWavelets, scikit-learn, Matplotlib, Jupyter Notebook.

Purpose of the work: to investigate the influence of EEG signal preprocessing methods on the accuracy of their classification. Tasks addressed: 1) review of EEG acquisition and processing methods and sources of artifacts; 2) use of the PhysioNet EEG Dataset; 3) implementation of artifact removal and filtering algorithms in Python; 4) comparison of classification results at different preprocessing stages. The study was carried out using the open PhysioNet EEG Motor Movement/Imagery Dataset. The effects of ICA and wavelet denoising on EEG signal classification were investigated. The evaluation was performed using the accuracy metric with additional visual analysis of time-domain signals and power spectra. The results show that for real movement, wavelet denoising combined with CSP provides the best performance. The obtained results can be used to select appropriate EEG preprocessing pipelines in brain–computer interface systems. The following information technologies and software were used: Python, MNE, NumPy, SciPy, PyWavelets, scikit-learn, Matplotlib, Jupyter Notebook.