ПОКРАЩЕНА КЛАСИФІКАЦІЯ СТАНІВ ЕЕГ ЗА ДОПОМОГОЮ РЕКУРРЕНТНОГО КІЛЬКІСНОГО АНАЛІЗУ
DOI:
https://doi.org/10.34185/1991-7848.itmm.2025.01.029Ключові слова:
класифікація ЕЕГ, кількісний аналіз рекурентних діаграм, спектральний аналіз, стани мозку, реконструкція фазового простору.Анотація
У цьому дослідженні розглядається класифікація станів мозку за даними електроенцефалографії (ЕЕГ) шляхом порівняння кількісного аналізу рекурентних діаграм (RQA) із традиційним спектральним аналізом. Метою є розпізнавання станів із відкритими та закритими очима за допомогою ЕЕГ-даних. Експериментальні результати показують, що метод RQA забезпечує вищу точність класифікації, зокрема для електрода O1, де точність зросла з 86% до 95%. У дослідженні також визначені оптимальні параметри реконструкції фазового простору та найбільш інформативні рекурентні характеристики для класифікації. RQA ефективніше захоплює нелінійну динаміку мозкової активності порівняно зі спектральними методами, що базуються на частотному аналізі. Отримані результати підтверджують доцільність використання RQA для підвищення точності класифікації в портативних ЕЕГ-системах. Це дозволяє проводити більш точний аналіз у реальному часі для застосувань у когнітивному тренуванні та інтерфейсах «мозок-комп’ютер».
Посилання
Chelidze T., Matcharashvili T. Dynamical Patterns in Seismology. Recurrence Quantification Analysis: Theory and Best Practices. ред. Jr. Webber Charles L., Norbert Marwan. Cham : Springer International Publishing, 2015. С. 291–334. DOI:10.1007/978-3-319-07155-8_10.
EEG Motor Movement/Imagery Dataset. URL: https://archive.physionet.org/pn4/eegmmidb/ (accessed 02/21/2024).
Rawald T., Sips M., Marwan N. PyRQA—Conducting recurrence quantification analysis on very long time series efficiently. Computers & Geosciences. Vol. 104, 01.07.2017. P. 101–108. DOI:10.1016/j.cageo.2016.11.016.
