Детальная информация

Выпускная квалификационная работа посвящена разработке и практической реализации алгоритма классификации медитативного состояния человека на основе анализа электроэнцефалографических сигналов. В качестве объекта исследования рассматриваются ЭЭГ-записи, полученные в ходе эксперимента с выполнением дыхательной медитации и активного мыслительного процесса. Предметом исследования являются спектральные характеристики ЭЭГ-сигналов и методы их использования для распознавания функциональных состояний мозга. Целью работы является проектирование и реализация алгоритма распознавания медитативного состояния на основе спектральных характеристик ЭЭГ с использованием методов машинного обучения. Для достижения поставленной цели в ходе выполнения выпускной квалификационной работы были решены следующие задачи: Изучены теоретические основы электроэнцефалографии и методы анализа ЭЭГ-сигналов. Рассмотрены подходы к спектральному анализу ЭЭГ и использованию частотных диапазонов для распознавания функциональных состояний мозга. Выполнен анализ структуры и характеристик используемого датасета ЭЭГ. Реализованы этапы предварительной обработки сигналов, сегментации на временные эпохи и расчёта спектральных признаков. Сформированы матрица признаков и массив меток для обучения классификационной модели. Реализован и обучен алгоритм классификации на основе метода опорных векторов Выполнена оценка качества работы модели и анализ результатов классификации. Практическая часть работы выполнена на основе открытого экспериментального ЭЭГ-датасета, содержащего записи состояний дыхательной медитации и размышления. Для формирования класса «медитация» использовались только блоки дыхательной медитации, в то время как класс «размышление» формировался из соответствующих блоков активного мыслительного процесса. Такой подход обеспечил однородность данных и повысил устойчивость классификационной модели. Обработка сигналов включала фильтрацию, сегментацию ЭЭГ-записей на эпохи фиксированной длительности и расчёт спектральной мощности в физиологически значимых диапазонах частот. В результате выполнения работы был разработан алгоритм классификации медитативного состояния, основанный на использовании спектральных характеристик ЭЭГ и метода опорных векторов. Проведённая оценка качества показала, что модель способна с высокой степенью достоверности различать состояния дыхательной медитации и размышления. Анализ матрицы ошибок позволил выявить характерные типы ошибок классификации и объяснить их с точки зрения физиологических особенностей ЭЭГ-сигналов и наличия переходных состояний. В ходе выполнения выпускной квалификационной работы использовались современные информационные технологии и программные средства, включая язык программирования Python, библиотеку анализа ЭЭГ MNE-Python, библиотеки численных вычислений NumPy и Pandas, а также библиотеку машинного обучения Scikit-learn. Для обработки и анализа экспериментальных данных применялись методы цифровой обработки сигналов и статистического анализа. Используемые программные средства обеспечили воспроизводимость вычислений и удобство реализации алгоритма классификации. Результаты работы могут быть использованы при разработке систем мозг–компьютер, нейрообратной связи и интеллектуальных систем анализа ЭЭГ, ориентированных на распознавание немоторных когнитивных и медитативных состояний.

The graduation qualification work is devoted to the development and practical implementation of an algorithm for classifying the human meditative state based on the analysis of electroencephalographic signals. The object of the study is EEG recordings obtained during an experiment involving breathing meditation and active thinking. The subject of the study is the spectral characteristics of EEG signals and methods for their use in recognizing functional states of the brain. The aim of the work is to design and implement an algorithm for classifying the state of breathing meditation based on EEG spectral characteristics using machine learning methods. To achieve this aim, the following tasks were accomplished in the course of the study: The theoretical foundations of electroencephalography and methods of EEG signal analysis were studied. Approaches to EEG spectral analysis and the use of frequency bands for recognizing functional brain states were reviewed. The structure and characteristics of the EEG dataset used in the study were analyzed. Signal preprocessing, segmentation into fixed-length time epochs, and extraction of spectral features were implemented. A feature matrix and a corresponding label vector were formed for training the classification model. A classification algorithm based on the support vector machine method was implemented and trained. The performance of the model was evaluated and the classification results were analyzed. The practical part of the study was conducted using an open experimental EEG dataset containing recordings of breathing meditation and thinking states. To form the “meditation” class, only breathing meditation blocks were selected, whereas the “thinking” class was constructed from the corresponding blocks of active thought processes. This approach ensured data homogeneity and increased the stability of the classification model. Signal processing included band-pass filtering, segmentation of EEG recordings into fixed-length epochs, and computation of spectral power in physiologically relevant frequency bands. As a result of the study, an algorithm for meditative state classification based on EEG spectral characteristics and the support vector machine method was developed. The performance evaluation demonstrated that the model is capable of reliably distinguishing between breathing meditation and thinking states. The analysis of the confusion matrix made it possible to identify typical classification errors and interpret them in terms of physiological properties of EEG signals and the presence of transitional brain states. During the implementation of the graduation qualification work, modern information technologies and software tools were employed, including the Python programming language, the MNE-Python library for EEG analysis, the NumPy and Pandas libraries for numerical computation and data processing, and the Scikit-learn machine learning library. Digital signal processing and statistical analysis methods were applied to process and analyze the experimental data. The use of these software tools ensured computational reproducibility and facilitated the implementation of the classification algorithm. The results of this work can be applied in the development of brain–computer interface systems, neurofeedback applications, and intelligent EEG analysis systems aimed at recognizing non-motor cognitive and meditative states.