The 15 reference contexts in paper P. Sotnikov I., П. Сотников И. (2016) “Выделение характерных признаков сигнала электроэнцефалограммы с помощью анализа энтропии // Entropy Analysis as an Electroencephalogram Feature Extraction Method” / spz:neicon:technomag:y:2014:i:1:p:555-570

  1. Start
    1949
    Prefix
    При выполнении или мысленном представлении движений различных частей тела происходит активация соответствующих моторных участков коры головного мозга и в отведениях ЭЭГ, расположенных над этими участками, наблюдается десинхронизация мю- и бета-ритмов
    Exact
    [1,2]
    Suffix
    . В то же время в состоянии покоя сенсомоторные ритмы имеют высокую амплитуду (то есть наблюдается синхронизация ритмов). Главной задачей ИМК в рассматриваемом случае является корректное распознавание состояний синхронизации и десинхронизации ритмов.
    (check this in PDF content)

  2. Start
    3727
    Prefix
    где – оператор, выполняющий отображение исходного ЭЭГ сигнала X в пространство характерных признаков; V – вектор характерных признаков; L – размерность данного вектора. В задачах распознавания типов воображаемых движений к наиболее распространенным методам выделения характерных признаков относятся следующие:  статистический анализ сигнала
    Exact
    [3]
    Suffix
    ;  спектральный анализ сигнала с помощью дискретного преобразования Фурье [1,4];  анализ сигнала в частотно-временной области с помощью вейвлет-преобразования [5,6];  пространственная фильтрация многоканального ЭЭГ сигнала [7,8];  авторегрессионная модель сигнала [9].
    (check this in PDF content)

  3. Start
    3802
    Prefix
    В задачах распознавания типов воображаемых движений к наиболее распространенным методам выделения характерных признаков относятся следующие:  статистический анализ сигнала [3];  спектральный анализ сигнала с помощью дискретного преобразования Фурье
    Exact
    [1,4]
    Suffix
    ;  анализ сигнала в частотно-временной области с помощью вейвлет-преобразования [5,6];  пространственная фильтрация многоканального ЭЭГ сигнала [7,8];  авторегрессионная модель сигнала [9].
    (check this in PDF content)

  4. Start
    3892
    Prefix
    В задачах распознавания типов воображаемых движений к наиболее распространенным методам выделения характерных признаков относятся следующие:  статистический анализ сигнала [3];  спектральный анализ сигнала с помощью дискретного преобразования Фурье [1,4];  анализ сигнала в частотно-временной области с помощью вейвлет-преобразования
    Exact
    [5,6]
    Suffix
    ;  пространственная фильтрация многоканального ЭЭГ сигнала [7,8];  авторегрессионная модель сигнала [9]. В дополнение к перечисленным выше методам в данной статье рассматривается возможность формирования вектора характерных признаков V с помощью анализа энтропии сигнала.
    (check this in PDF content)

  5. Start
    3954
    Prefix
    воображаемых движений к наиболее распространенным методам выделения характерных признаков относятся следующие:  статистический анализ сигнала [3];  спектральный анализ сигнала с помощью дискретного преобразования Фурье [1,4];  анализ сигнала в частотно-временной области с помощью вейвлет-преобразования [5,6];  пространственная фильтрация многоканального ЭЭГ сигнала
    Exact
    [7,8]
    Suffix
    ;  авторегрессионная модель сигнала [9]. В дополнение к перечисленным выше методам в данной статье рассматривается возможность формирования вектора характерных признаков V с помощью анализа энтропии сигнала.
    (check this in PDF content)

  6. Start
    3994
    Prefix
    распространенным методам выделения характерных признаков относятся следующие:  статистический анализ сигнала [3];  спектральный анализ сигнала с помощью дискретного преобразования Фурье [1,4];  анализ сигнала в частотно-временной области с помощью вейвлет-преобразования [5,6];  пространственная фильтрация многоканального ЭЭГ сигнала [7,8];  авторегрессионная модель сигнала
    Exact
    [9]
    Suffix
    . В дополнение к перечисленным выше методам в данной статье рассматривается возможность формирования вектора характерных признаков V с помощью анализа энтропии сигнала. Применительно к анализу ЭЭГ, информационная энтропия сигнала служит мерой неопределенности (непредсказуемости) значений амплитуды ЭЭГ сигнала [10].
    (check this in PDF content)

  7. Start
    4328
    Prefix
    В дополнение к перечисленным выше методам в данной статье рассматривается возможность формирования вектора характерных признаков V с помощью анализа энтропии сигнала. Применительно к анализу ЭЭГ, информационная энтропия сигнала служит мерой неопределенности (непредсказуемости) значений амплитуды ЭЭГ сигнала
    Exact
    [10]
    Suffix
    . При выполнении движений или их мысленном представлении, повышается уровень активности больших групп нейронов, отвечающих за управлением тем или иным органом. Это вызывает выраженную десинхронизацию в работе нейронов и, как следствие, сопровождается изменением формы ЭЭГ сигнала в отведениях, расположенных над соответствующими участками коры головного мозга.
    (check this in PDF content)

  8. Start
    7859
    Prefix
    и после применения оконного сглаживания; P – порядок фильтра; I0 – модифицированная функция Бесселя первого рода нулевого порядка; β – коэффициент, определяющий долю энергии, сосредоточенной в главном лепестке спектра оконной функции. В качестве полосы пропускания выбран диапазон частот от 7 до 30 Гц, соответствующий мю- и бета-ритмам сигнала ЭЭГ
    Exact
    [2]
    Suffix
    . Порядок фильтра определен как половина частоты дискретизации, с которой осуществлялась оцифровка сигнала. Для эффективного снижения уровня боковых лепестков спектра значение коэффициента β для оконной функции установлено равным 10.
    (check this in PDF content)

  9. Start
    8665
    Prefix
    Метод опорных векторов В ряде публикаций было показано, что в приложениях ИМК линейные методы классификации, такие как Байесов классификатор, линейный дискриминантный анализ, метод опорных векторов, обладают эффективностью, не уступающей нелинейным методам, например, на основе искусственных нейронных сетей
    Exact
    [11]
    Suffix
    . В связи с этим в данной работе был выбран классификатор на основе метода опорных векторов. Пусть имеется обучающая выборка объема Q, где - признаковое описание многомерного ЭЭГ сигнала, 11,yq - метка класса, принимающая одно из двух возможных значений.
    (check this in PDF content)

  10. Start
    9095
    Prefix
    Пусть имеется обучающая выборка объема Q, где - признаковое описание многомерного ЭЭГ сигнала, 11,yq - метка класса, принимающая одно из двух возможных значений. В методе опорных векторов (англ. Support Vector Machine) решение о принадлежности объекта v к классу y принимается по знаку линейного решающего правила
    Exact
    [12]
    Suffix
    : Здесь Rwi – некоторые веса; Rb – параметр сдвига. С геометрической точки зрения линейный классификатор соответствует некоторой разделяющей гиперплоскости f(v) = 0 в признаковом пространстве , при этом объект относится к первому классу, если он лежит с положительной
    (check this in PDF content)

  11. Start
    10322
    Prefix
    Поэтому для метода опорных векторов был предложен ряд модификаций, допускающих ошибки на обучающей выборке. Одной из таких модификаций является метод «nu-SVM», в котором задача поиска разделяющей гиперплоскости сводится к следующей задаче условной оптимизации
    Exact
    [13]
    Suffix
    : Здесь – ослабляющие коэффициенты.
    (check this in PDF content)

  12. Start
    10995
    Prefix
    Описание тестовых данных Для оценки эффективности рассматриваемого алгоритма выделения характерных признаков использовались тестовые данные Dataset IIa, предоставленные Технологическим университетом Граца для проведения соревнования «BCI Competition IV»
    Exact
    [14]
    Suffix
    . В состав тестовых данных входят записи электроэнцефалограммы, снятые для девяти испытуемых (мужского и женского пола). Каждый из испытуемых участвовал в двух сессиях, проводимых в разные дни.
    (check this in PDF content)

  13. Start
    13555
    Prefix
    Каждому каналу ЭЭГ сопоставлялось пять признаков, которые представляли собой значения суммарной спектральной плотности мощности в частотных диапазонах: 1-4 Гц (дельта-ритм); 4-8 Гц (тетаритм); 8-14 Гц (альфа-ритм); 14-30 Гц (бета-ритм); 30-50 Гц (гамма-ритм)
    Exact
    [2]
    Suffix
    . в) Непрерывное вейвлет-преобразование. Вектор характерных признаков в данном случае включал в себя средние значения энергии сигнала для каждого из ЭЭГ каналов в указанных выше частотных диапазонах; г) Векторная модель авторегрессии.
    (check this in PDF content)

  14. Start
    17821
    Prefix
    В последней строке таблицы приведены средние значения точности классификации для каждого из методов. В таблице 2 приведены полученные оценки точности классификации для второго эксперимента, в котором перед расчетом характерных признаков был выполнен переход к общему усредненному монтажу
    Exact
    [2]
    Suffix
    . Таблица 2. Оценки точности классификации для методов выделения характерных признаков (Эксперимент II, Общий усредненный монтаж). Испы туемы й Дисперсия сигнала Спектральная плотность мощности Вейвлетпреобразование Модель авторегрессии CSP-фильтр Нормированн ая энтропия сигнала А01 0,70 0,69 0,69 0,59 0,66 0,70 А02 0,55 0,51 0,54 0,46 0,60 0,55 А03 0,62 0,69 0,66 0,48 0,63 0,67
    (check this in PDF content)

  15. Start
    22474
    Prefix
    Заключение В результате проведённых исследований показана возможность применения анализа энтропии для выделения характерных признаков сигнала ЭЭГ в приложениях ИМК, что также подтверждается другими работами в этой области
    Exact
    [15]
    Suffix
    . В ходе сравнения данного метода с рядом других методов, получивших распространение в приложениях ИМК, установлено, что сформированные с помощью анализа энтропии признаки обладают большей информативностью, о чем свидетельствует средняя точность классификации 0,57, которая является максимальной из рассчитанных.
    (check this in PDF content)