Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

УВАЖАЕМЫЕ ПОДПИСЧИКИ НАШЕГО ЖУРНАЛА!
По техническим причинам «Оптический журнал» не попал в каталог агентства «Роспечать» на II полугодие 2018 г., что делает невозможной подписку на него на почте. Предлагаем оформить подписку на II полугодие 2018 в редакции журнала удобным Вам способом. Стоимость подписки на полугодие сохраняется (6600 руб.).
Связаться с нами можно по т. (812) 315-05-48, Е-mail: beditor@soi.spb.ru

Аннотации (08.2018) : АВТОМАТИЧЕСКАЯ КЛАССИФИКАЦИЯ ЗРИТЕЛЬНЫХ СТИМУЛОВ ПО ЭЛЕКТРОЭНЦЕФАЛОГРАММЕ НАБЛЮДАТЕЛЯ

АВТОМАТИЧЕСКАЯ КЛАССИФИКАЦИЯ ЗРИТЕЛЬНЫХ СТИМУЛОВ ПО ЭЛЕКТРОЭНЦЕФАЛОГРАММЕ НАБЛЮДАТЕЛЯ

 

© 2018 г.       С. В. Пономарев*, **, аспирант; Р. О. Maлашин*, **, канд. техн. наук; Г. А. Моисеенко*, аспирант

*   Институт физиологии им. И.П. Павлова РАН, Санкт-Петербург

** Университет ИТМО, Санкт-Петербург

E-mail: malashinroman@mail.ru

УДК 612.82; 159.931; 004.93'1; 004.932

Поступила в редакцию 02.05.2018

Рассмотрена задача автоматической классификации зрительных стимулов (живых и неживых объектов, отфильтрованных на высоких и низких пространственных частотах) по электроэнцефалограмме наблюдателя. Для классификации применялись классические методы машинного обучения (машина опорных векторов с использованием, в том числе, вейвлет-признаков), свёрточные и рекуррентные нейронные сети глубокого обучения. Была проанализирована точность распознавания в зависимости от выбранных методов классификации, расположения электродов, временных интервалов и решаемой задачи. Результаты показывают точность классификации 79% для чётких/размытых, 61% для живых /неживых объектов и 50% точности при классификации 4-х классов изображений.

Ключевые слова: распознавание единичных вызванных потенциалов, метод опорных векторов, нейронные сети, когнитивные вызванные потенциалы.

Коды OCIS: 100.4996, 330.4270, 330.5000

 

DOI:10.17586/1023-5086-2018-85-08-67-76

 

 

Литература

1.         Spaminato C., Palazzo S., Kavasidis I., Shah M. Deep learning human mind for automated visual classification // CVPR. 2017. URL: https://arxiv.org/abs/1609.00344

2.         Шагас Ч. Вызванные потенциалы в норме и патологии. М.: Мир, 1975. 318 с.

3.         Зенков Л.Р., Ронкин М.А. Функциональная диагностика нервных болезней: руководство для врачей. М.: МЕДпресс информ, 2013. 488 с.

4.        Гнездицкий В.В. Вызванные потенциалы мозга в клинической практике. М.: МЕДпресс информ, 2003. 264 c.

5.         Бондарко В.М., Данилова М.В., Красильников Н.Н., Леушина Л.И., Невская А.А., Шелепин Ю.Е. Пространственное зрение. СПб: Наука, 1999. 218 с.

6.        Шелепин Ю.Е. Введение в нейроиконику: Монография. СПб: Троицкий мост, 2017. 352 с.

7.         Bhavin R. Sheth, Young R. Two visual pathways in primates based on sampling of space: exploitation and exploration of visual information // Frontiers in Integrative Neuroscience. 2016. V. 10. Article 37. P. 1–20.

8.        Моисеенко Г.А., Вершинина Е.А., Пронин С.В., Чихман В.Н., Михайлова Е.С., Шелепин Ю.Е. Латентные периоды компонентов вызванных потенциалов в задачах классификации изображений, подвергнутых вейвлетной фильтрации // Физиология человека. 2016. Т. 42. № 6. С. 37–48.

9.        Моисеенко Г.А., Шелепин Ю.Е., Хараузов А.К., Пронин С.В., Чихман В.Н., Вахрамеева О.А. Классификация и распознавание изображений живой и неживой природы // Оптический журнал. 2015. Т. 82. № 10. С. 53–64.

10.       Yazici M., Ulutas M. Classification of EEG signals using time domain features // Proc. 23th Signal Process. Commun. Appl. Conf. 2015. P. 2358–2361.

11.       Anderson N.R., Wisneski K.J. Automated analysis and trending of the raw EEG signal // Am J Electroneurodiagnostic Technol. 2008. № 48. P. 166–191.

12.       Gajić D., Djurovic Z., Di Gennaro S., Gustafsson F. Classification of EEG signals for detection of epileptic seizures based on wavelets and statistical pattern recognition // Biomed. Eng. Appl. Basis. Commun. 2014. V. 26. P. 1450021. doi: 10.4015/S1016237214500215

13.       Yohanes R.E.J., Wee S., Guang-Bin H. Discrete wavelet transform coefficients for emotion recognition from EEG signals // Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. (EMBC). 2012. P. 2251–2254.

14.       Wavelet Toolbox — MATLAB [Электронный ресурс]: URL: https://www.mathworks.com/products/wavelet.html (дата обращения: 01.05.2018).

15.       Lee G., Wasilewski F., Gommers R., Wohlfahrt K., O’Leary A., Nahrstaedt H. PyWavelets – Wavelet Transforms in Python. 2006. [Электронный ресурс]: URL: https://github.com/PyWavelets/pywt (дата обращения: 01.05.2018).

16.       Luck S.J., Kappenman E.S. The Oxford handbook of event-related potential components / Chapter 11. ERP Components and selective Attention. P. 295–327. Oxford: Oxford University Press, 2013. 664 p.

17.       Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation. 1997. V. 9. № 8. P. 1735–1780.

18.       Bashivan P., Rish I., Yeasin M., Codella N. Learning representation from EEG with Deep Recurrent-Convolutional Neural Networks. ICLR. 2016. URL: https://arxiv.org/pdf/1511.06448.pdf

19.       Tang Z., Sun S. Single-trial EEG classification of motor imagery using deep convolutional neural networks // Optik — International Journal for Light and Electron Optics. 2017. V. 130. P. 11–18.

20.      Malashin R.O. Extraction of object hierarchy data from trained deep-learning neural networks via analysis of the confusion matrix // Journal of Optical Technology. 2016. V. 83. № 10. P. 599–603.

21.       Clevert D., Unterthiner T., Hochreiter S. Fast and accurate deep learning by exponential linear units (ELUs) // ICLR. 2016. P. 1–14.

22.      Ioffe S., Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift. 2015. URL:https://arxiv.org/abs/1502.03167

23.      Goodfellow I, Bengio Y., Courville A. Deep learning. Cambridge, Massachusetts, U.S.: MIT Press, 2016. 800 p.

 

 

Полный текст