The 13 references with contexts in paper P. Sotnikov I., П. Сотников И. (2016) “Выбор оптимальных частотных диапазонов сигнала электроэнцефалограммы в интерфейсе мозг-компьютер // Selection of Optimal Frequency Bands of the Electroencephalogram Signal in Brain-Computer Interface” / spz:neicon:technomag:y:2015:i:6:p:217-234

1
Dornhege G., Millan J. del R., Hinterberger T., McFarland D.J., Muller K.-R., eds. Toward Brain-Computer Interfacing. A Bradford book. The MIT Press, 2007. 520 p.
Total in-text references: 1
  1. In-text reference with the coordinate start=2967
    Prefix
    В большинстве работ для всех испытуемых сигнал ЭЭГ анализируется в классических частотных диапазонах, заимствованных из клинической практики: 1-4 Гц (дельта-ритм); 4-8 Гц (тета-ритм); 8-14 Гц (альфа-ритм); 14-30 Гц (бета-ритм); 30-50 Гц (гамма-ритм)
    Exact
    [1,2]
    Suffix
    . Однако характеристики сигнала ЭЭГ могут в значительной степени различаться между испытуемыми, что может оказывать влияние на точность правильного распознавания типов воображаемых движений. Для учета вариативности параметров сенсомоторных ритмов в публикациях был предложен ряд методов, позволяющих выбирать наиболее информативные, с точки зрения разделения классов, частотные

2
Зенков Л.Р. Клиническая электроэнцефалография (с элементами эпилептологии). Руководство для врачей. 3-е изд. М.: МЕДпрессинформ, 2004. 368 с.
Total in-text references: 2
  1. In-text reference with the coordinate start=2967
    Prefix
    В большинстве работ для всех испытуемых сигнал ЭЭГ анализируется в классических частотных диапазонах, заимствованных из клинической практики: 1-4 Гц (дельта-ритм); 4-8 Гц (тета-ритм); 8-14 Гц (альфа-ритм); 14-30 Гц (бета-ритм); 30-50 Гц (гамма-ритм)
    Exact
    [1,2]
    Suffix
    . Однако характеристики сигнала ЭЭГ могут в значительной степени различаться между испытуемыми, что может оказывать влияние на точность правильного распознавания типов воображаемых движений. Для учета вариативности параметров сенсомоторных ритмов в публикациях был предложен ряд методов, позволяющих выбирать наиболее информативные, с точки зрения разделения классов, частотные

  2. In-text reference with the coordinate start=28174
    Prefix
    Запись ЭЭГ производилась с частотой дискретизации 250 Гц по трем биполярным отведениям, образованным электродами C3, Cz, C4 и электродом Fz. Обозначение и расположение электродов соответствовало стандартной системе «10-20%»
    Exact
    [2]
    Suffix
    . В сессиях без обратной связи чувствительность электроэнцефалографа была установлена равной 100 мкВ, в сессиях с обратной связью – равной 50 мкВ. Дополнительно с помощью трех электродов выполнялась регистрация электроокулограммы (ЭОГ).

3
Ang K.K., Chin Z.Y., Zhang H., Guan C. Filter Bank Common Spatial Pattern (FBCSP) in Brain-Computer Interface // Proceedings of the IEEE International Joint Conference on Neural Networks (IJCNN'08). Hong Kong. IEEE Publ., 2008. P. 2391-2398. DOI: 10.1109/IJCNN.2008.4634130
Total in-text references: 1
  1. In-text reference with the coordinate start=3776
    Prefix
    В частности, в работах победителей соревнования «BCI Competition IV» используется подход, основанный на применении блока частотных фильтров (англ. Filter Bank) с последующей пространственной фильтрацией сигнала на выходе каждого элемента блока
    Exact
    [3,4]
    Suffix
    . Метод является сравнительно простым в реализации, однако параметры частотных фильтров (границы диапазонов) необходимо задавать заранее, до обработки записей ЭЭГ. В работе [5] был предложен метод адаптивной частотно-пространственной фильтрации сигнала (англ.

4
Chin Z.Y., Ang K.K., Wang C., Guan C. Multi-class Filter Bank Common Spatial Pattern for Four-C lass Motor Imagery BCI // 31st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2009). Minneapolis, Minnesota, USA. IEEE Publ., 2009. P. 571-574. DOI: 10.1109/IEMBS.2009.5332383
Total in-text references: 1
  1. In-text reference with the coordinate start=3776
    Prefix
    В частности, в работах победителей соревнования «BCI Competition IV» используется подход, основанный на применении блока частотных фильтров (англ. Filter Bank) с последующей пространственной фильтрацией сигнала на выходе каждого элемента блока
    Exact
    [3,4]
    Suffix
    . Метод является сравнительно простым в реализации, однако параметры частотных фильтров (границы диапазонов) необходимо задавать заранее, до обработки записей ЭЭГ. В работе [5] был предложен метод адаптивной частотно-пространственной фильтрации сигнала (англ.

5
Thomas K.P., Guan C., Tong Lau C. Adaptive tracking of discriminative frequency components in electroencephalograms for a robust brain–computer interface // Journal of Neural Engineering. 2011. Vol. 8, no. 3. P. 1-15. DOI: 10.1088/1741-2560/8/3/036007
Total in-text references: 3
  1. In-text reference with the coordinate start=3971
    Prefix
    Filter Bank) с последующей пространственной фильтрацией сигнала на выходе каждого элемента блока [3,4]. Метод является сравнительно простым в реализации, однако параметры частотных фильтров (границы диапазонов) необходимо задавать заранее, до обработки записей ЭЭГ. В работе
    Exact
    [5]
    Suffix
    был предложен метод адаптивной частотно-пространственной фильтрации сигнала (англ. Adaptively Weighted Spectral-Spatial Patterns - AWSSP). На первом шаге алгоритма с помощью оконного преобразования Фурье (англ.

  2. In-text reference with the coordinate start=23668
    Prefix
    Номер испытуемого Среднее значение B01 B02 B03 B04 B05 B06 B07 B08 B09 Каппа Коэна 0,40 0,21 0,22 0,95 0,86 0,61 0,56 0,85 0,74 0,60 Точность классификации 0,70 0,61 0,61 0,98 0,93 0,81 0,78 0,93 0,87 0,80 В графической форме результаты исследования приведены на рисунке 5. Рис. 5. По лученные оценки точности классификации. Эффективность алгоритмов, предложенных в работах
    Exact
    [5,6]
    Suffix
    , также оценивалась на тестовых данных, предоставленных для соревнования «BCI Competition IV». В работе [5] для испытуемых В01-В09 средняя точность классификации составляет 74%, а в работе [6] – 72%.

  3. In-text reference with the coordinate start=23778
    Prefix
    По лученные оценки точности классификации. Эффективность алгоритмов, предложенных в работах [5,6], также оценивалась на тестовых данных, предоставленных для соревнования «BCI Competition IV». В работе
    Exact
    [5]
    Suffix
    для испытуемых В01-В09 средняя точность классификации составляет 74%, а в работе [6] – 72%. Таким образом, предлагаемый подход, основанный на выборе наиболее информативных частотных диапазонов сигнала ЭЭГ с помощью генетического алгоритма, показывает наилучшую эффективность.

6
Billinger M., Kaiser V., Neuper C., Brunner C. Automatic frequency band selection for BCIs with ERDS difference maps // Proceedings of the Fifth International Brain-Computer Interface Conference. Graz, 2011. P. 44-47.
Total in-text references: 3
  1. In-text reference with the coordinate start=4777
    Prefix
    Далее на итерациях алгоритма осуществляется попытка выделить такие частотные диапазоны, для которых было бы максимальным значение критерия Фишера (англ. Fisher`s ratio), определяющего для матриц STFT-преобразования отношение межклассовой дисперсии к внутриклассовой. В работе
    Exact
    [6]
    Suffix
    рассматривается алгоритм поиска информативных частотных диапазонов сигнала ЭЭГ на основе карт вызванной синхронизации (англ. event-related synchronization - ERS) и десинхронизации (англ. event-related desynchronization - ERD) сенсомоторных ритмов.

  2. In-text reference with the coordinate start=23668
    Prefix
    Номер испытуемого Среднее значение B01 B02 B03 B04 B05 B06 B07 B08 B09 Каппа Коэна 0,40 0,21 0,22 0,95 0,86 0,61 0,56 0,85 0,74 0,60 Точность классификации 0,70 0,61 0,61 0,98 0,93 0,81 0,78 0,93 0,87 0,80 В графической форме результаты исследования приведены на рисунке 5. Рис. 5. По лученные оценки точности классификации. Эффективность алгоритмов, предложенных в работах
    Exact
    [5,6]
    Suffix
    , также оценивалась на тестовых данных, предоставленных для соревнования «BCI Competition IV». В работе [5] для испытуемых В01-В09 средняя точность классификации составляет 74%, а в работе [6] – 72%.

  3. In-text reference with the coordinate start=23861
    Prefix
    Эффективность алгоритмов, предложенных в работах [5,6], также оценивалась на тестовых данных, предоставленных для соревнования «BCI Competition IV». В работе [5] для испытуемых В01-В09 средняя точность классификации составляет 74%, а в работе
    Exact
    [6]
    Suffix
    – 72%. Таким образом, предлагаемый подход, основанный на выборе наиболее информативных частотных диапазонов сигнала ЭЭГ с помощью генетического алгоритма, показывает наилучшую эффективность.

7
Schomer D.L., da Silva F.H.L., eds. N iedermeyer's Electroencephalography: Basic Principles, C linical Applications, and Related Fields. 6th ed. Lippincott Williams & Wilkins, 2011. 1296 p.
Total in-text references: 1
  1. In-text reference with the coordinate start=6949
    Prefix
    Исследование вариативности параметров сенсомоторных ритмов Известно, что выполнение человеком движений или их мысленное представление сопровождается состояниями синхронизации и десинхронизации сенсомоторных ритмов (англ. sensorimotor rhythms - S MR)
    Exact
    [7]
    Suffix
    . При этом наиболее выраженно данные состояния проявляются в диапазоне частот от 7 до 12 Гц, который соответствует так называемому мю-ритму на ЭЭГ. Отметим, что параметры мю-ритма могут в значительной степени варьироваться в зависимости от индивидуальных особенностей испытуемых.

8
Chui C.K. An Introduction to Wavelets. Vol. 1. San Diego: Academic Press, 1992. 265 p.
Total in-text references: 1
  1. In-text reference with the coordinate start=12984
    Prefix
    Для анализа сигнала ЭЭГ в частотной области воспользуемся непрерывным вейвлетпреобразованием (НВП), которое позволяет отследить динамику изменения гармонических составляющих сигнала с течением времени
    Exact
    [8]
    Suffix
    . Расчет коэффициентов вейвлет-разложения будем производить в узлах некоторой дискретной сетки, заданной на плоскости (a,τ), где a, τ – параметры масштаба и временного сдвига соответственно.

9
Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой: учеб. пособие. М.: Изд-во МГТУ им. Н.Э. Баумана, 2014. 446 с.
Total in-text references: 1
  1. In-text reference with the coordinate start=18099
    Prefix
    На начальном шаге генетического алгоритма происходит создание исходной популяции особей, для которых компоненты векторов задаются случайным образом. Далее особи оцениваются и сортируются по значению функции приспособленности . Отбор родительских пар производится по методу «рулетки»
    Exact
    [9]
    Suffix
    . На следующем шаге с равной вероятностью выполняется одноточечный или двухточечный кроссовер (скрещивание), для каждой пары родителей формируются два потомка. Далее потомки с заданной при инициализации алгоритма вероятностью подвергается мутациям.

10
Chen P.H., Lin C.J., Scholkopf B. A tutorial on ν-support vector machines // Applied Stochastic Models in Business and Industry. 2005. Vol. 21, iss. 2. P. 111-136. DOI:10.1002/asmb.537
Total in-text references: 1
  1. In-text reference with the coordinate start=20101
    Prefix
    Для оценки приспособленности особей использовался классификатор на основе метода опорных векторов (англ. Support Vector Machine - SVM). В частности, применялся вариант данного метода под названием «nu-SVM»
    Exact
    [10]
    Suffix
    , допускающий ошибки на обучающей выборке. Точность «nu-SVM» классификатора (которую обозначим как ) зависит от варьируемого параметра ν ∈ [0,1], задающего верхнюю границу доли ошибок обучения и нижнюю границу числа опорных векторов.

11
Сотников П.И. Обзор методов обработки сигнала электроэнцефалограммы в интерфейсах мозг-компьютер // Инженерный вестник. МГТУ им. Н.Э. Баумана. Электрон. журн. 2014. No 10. С. 612-632. Режим доступа: http://engbul.bmstu.ru/doc/739934.html (дата обращения 01.05.2015).
Total in-text references: 1
  1. In-text reference with the coordinate start=21522
    Prefix
    В первой строке таблицы представлены значения точности классификации, достижимые на векторах характерных признаков, сформированных с помощью НВП для классических частотных диапазонов (подробно метод описан в
    Exact
    [11]
    Suffix
    ). Во второй строке приведены оценки точности классификации, полученные по результатам работы генетического алгоритма в сочетании с методом мультистарта. Таблица 1. Оценки точности классификации.

12
Brunner C., Leeb R., Müller-Putz G. BCI Competition 2008 - Graz data set B // BBCI: Berlin Brain-Computer Interface: website. Режим доступа: http://www.bbci.de/competition/iv/ (дата обращения 01.05.2015).
Total in-text references: 2
  1. In-text reference with the coordinate start=22061
    Prefix
    Номер испытуемого Среднее значение B01 B02 B03 B04 B05 B06 B07 B08 B09 НВП (классические диапазоны) 0,73 0,57 0,59 0,96 0,77 0,84 0,72 0,88 0,82 0,76 НВП (оптимальный диапазон) 0,84 0,65 0,66 0,98 0,95 0,90 0,76 0,93 0,85 0,83 Для сравнения также приведем результаты, полученные с помощью метода, предложенного победителем соревнования «BCI Competition IV»
    Exact
    [12]
    Suffix
    . Для победителя соревнования оценки точности классификации на рассматриваемых нами тестовых данных представлены в виде значений каппы Коэна [13], которая определяет степень согласованности между двумя категориальными переменными (оценщиками) и рассчитывается по формуле где Pr(a) – наблюдаемая согласованность между переменными, Pr(e)

  2. In-text reference with the coordinate start=26178
    Prefix
    Приложение А Описание тестовых данных В работе использовался набор тестовых данных Dataset IIb, предоставленный Технологическим университетом Граца для проведения соревнования «BCI Competition IV»
    Exact
    [12]
    Suffix
    . В состав тестовых данных входят записи электроэнцефалограммы, снятые для девяти испытуемых (В01-В09). Каждый из испытуемых участвовал в пяти сессиях, проводимых в разные дни. В первых двух сессиях обратная связь не использовалась, в остальных трех сессиях на экране монитора отображалась текущая активность мозга.

13
Carletta J. Assessing agreement on classification tasks: The kappa statistic // Computational Linguistics. 1996. Vol. 22, no. 2. P. 249-254. Science and Education of the Bauman MSTU,
Total in-text references: 1
  1. In-text reference with the coordinate start=22214
    Prefix
    0,72 0,88 0,82 0,76 НВП (оптимальный диапазон) 0,84 0,65 0,66 0,98 0,95 0,90 0,76 0,93 0,85 0,83 Для сравнения также приведем результаты, полученные с помощью метода, предложенного победителем соревнования «BCI Competition IV» [12]. Для победителя соревнования оценки точности классификации на рассматриваемых нами тестовых данных представлены в виде значений каппы Коэна
    Exact
    [13]
    Suffix
    , которая определяет степень согласованности между двумя категориальными переменными (оценщиками) и рассчитывается по формуле где Pr(a) – наблюдаемая согласованность между переменными, Pr(e) – ожидаемая вероятность случайной согласованности.