Разработка компонента извлечения признаков для системы классификации сигнала электроэнцефалограммы: выпускная квалификационная работа бакалавра
Uložené v:
| Názov: | Разработка компонента извлечения признаков для системы классификации сигнала электроэнцефалограммы: выпускная квалификационная работа бакалавра |
|---|---|
| Informácie o vydavateľovi: | Санкт-Петербургский политехнический университет Петра Великого, 2025. |
| Rok vydania: | 2025 |
| Predmety: | извлечение признаков, классификация сигналов, signal classification, electroencephalogram (EEG), feature extraction, мозг-компьютерный интерфейс, вейвлет-преобразование, brain-computer interface (BCI), электроэнцефалограмма, wavelet transform |
| Popis: | 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. |
| Druh dokumentu: | Other literature type |
| Jazyk: | Russian |
| DOI: | 10.18720/spbpu/3/2025/vr/vr25-3589 |
| Prístupové číslo: | edsair.doi...........278612d8b19aa717a91257b09b543c4e |
| Databáza: | OpenAIRE |
Nájsť tento článok vo Web of Science | Abstrakt: | 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.<br />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. |
|---|---|
| DOI: | 10.18720/spbpu/3/2025/vr/vr25-3589 |