Разработка компонента извлечения признаков для системы классификации сигнала электроэнцефалограммы: выпускная квалификационная работа бакалавра
| Τίτλος: | Разработка компонента извлечения признаков для системы классификации сигнала электроэнцефалограммы: выпускная квалификационная работа бакалавра |
|---|---|
| Στοιχεία εκδότη: | Санкт-Петербургский политехнический университет Петра Великого, 2025. |
| Έτος έκδοσης: | 2025 |
| Θεματικοί όροι: | извлечение признаков, классификация сигналов, signal classification, electroencephalogram (EEG), feature extraction, мозг-компьютерный интерфейс, вейвлет-преобразование, brain-computer interface (BCI), электроэнцефалограмма, wavelet transform |
| Περιγραφή: | 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. |
| Τύπος εγγράφου: | Other literature type |
| Γλώσσα: | Russian |
| DOI: | 10.18720/spbpu/3/2025/vr/vr25-3589 |
| Αριθμός Καταχώρησης: | edsair.doi...........278612d8b19aa717a91257b09b543c4e |
| Βάση Δεδομένων: | OpenAIRE |
| FullText | Text: Availability: 0 |
|---|---|
| Header | DbId: edsair DbLabel: OpenAIRE An: edsair.doi...........278612d8b19aa717a91257b09b543c4e RelevancyScore: 887 AccessLevel: 3 PubType: PubTypeId: unknown PreciseRelevancyScore: 886.736389160156 |
| IllustrationInfo | |
| Items | – Name: Title Label: Title Group: Ti Data: Разработка компонента извлечения признаков для системы классификации сигнала электроэнцефалограммы: выпускная квалификационная работа бакалавра – Name: Publisher Label: Publisher Information Group: PubInfo Data: Санкт-Петербургский политехнический университет Петра Великого, 2025. – Name: DatePubCY Label: Publication Year Group: Date Data: 2025 – Name: Subject Label: Subject Terms Group: Su Data: <searchLink fieldCode="DE" term="%22извлечение+признаков%22">извлечение признаков</searchLink><br /><searchLink fieldCode="DE" term="%22классификация+сигналов%22">классификация сигналов</searchLink><br /><searchLink fieldCode="DE" term="%22signal+classification%22">signal classification</searchLink><br /><searchLink fieldCode="DE" term="%22electroencephalogram+%28EEG%29%22">electroencephalogram (EEG)</searchLink><br /><searchLink fieldCode="DE" term="%22feature+extraction%22">feature extraction</searchLink><br /><searchLink fieldCode="DE" term="%22мозг-компьютерный+интерфейс%22">мозг-компьютерный интерфейс</searchLink><br /><searchLink fieldCode="DE" term="%22вейвлет-преобразование%22">вейвлет-преобразование</searchLink><br /><searchLink fieldCode="DE" term="%22brain-computer+interface+%28BCI%29%22">brain-computer interface (BCI)</searchLink><br /><searchLink fieldCode="DE" term="%22электроэнцефалограмма%22">электроэнцефалограмма</searchLink><br /><searchLink fieldCode="DE" term="%22wavelet+transform%22">wavelet transform</searchLink> – Name: Abstract Label: Description Group: Ab Data: 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. – Name: TypeDocument Label: Document Type Group: TypDoc Data: Other literature type – Name: Language Label: Language Group: Lang Data: Russian – Name: DOI Label: DOI Group: ID Data: 10.18720/spbpu/3/2025/vr/vr25-3589 – Name: AN Label: Accession Number Group: ID Data: edsair.doi...........278612d8b19aa717a91257b09b543c4e |
| PLink | https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsair&AN=edsair.doi...........278612d8b19aa717a91257b09b543c4e |
| RecordInfo | BibRecord: BibEntity: Identifiers: – Type: doi Value: 10.18720/spbpu/3/2025/vr/vr25-3589 Languages: – Text: Russian Subjects: – SubjectFull: извлечение признаков Type: general – SubjectFull: классификация сигналов Type: general – SubjectFull: signal classification Type: general – SubjectFull: electroencephalogram (EEG) Type: general – SubjectFull: feature extraction Type: general – SubjectFull: мозг-компьютерный интерфейс Type: general – SubjectFull: вейвлет-преобразование Type: general – SubjectFull: brain-computer interface (BCI) Type: general – SubjectFull: электроэнцефалограмма Type: general – SubjectFull: wavelet transform Type: general Titles: – TitleFull: Разработка компонента извлечения признаков для системы классификации сигнала электроэнцефалограммы: выпускная квалификационная работа бакалавра Type: main BibRelationships: IsPartOfRelationships: – BibEntity: Dates: – D: 01 M: 01 Type: published Y: 2025 Identifiers: – Type: issn-locals Value: edsair |
| ResultId | 1 |