Обзор алгоритмов классификации для интерфейсов мозг–компьютер на основе электроэнцефалографии
A review of classification algorithms for EEG-based brain–computer interfaces
2007-01-31
SCID: 54.1/7rrq5khq
Discuss with AI
проектирование систем BCIЭЭГ-интерфейсы мозг–компьютерсравнение производительности алгоритмовалгоритмы классификацииэлектроэнцефалография
Figures from the paper
Abstract (AI)
В данной статье рассматриваются алгоритмы классификации, используемые при разработке интерфейсов мозг–компьютер (ИМК) на основе электроэнцефалографии (ЭЭГ). Кратко представлены наиболее часто применяемые алгоритмы и описаны их ключевые свойства. На основе данных литературы проведено их сравнение по показателям эффективности и предложены рекомендации по выбору подходящего алгоритма или алгоритмов классификации для конкретного ИМК.
Key Findings
1
Описываются ключевые свойства распространённых алгоритмов классификации сигналов ЭЭГ.
2
Предлагаются рекомендации по выбору подходящих алгоритмов классификации для конкретных приложений интерфейсов мозг–компьютер.
3
В статье рассматриваются алгоритмы классификации, обычно используемые для разработки интерфейсов мозг–компьютер на основе ЭЭГ.
4
Рассматриваемые алгоритмы сравниваются по показателям эффективности, представленным в научной литературе.
Research Object
системы интерфейса мозг–компьютер (BCI) на основе электроэнцефалографии (EEG)
Research Subject
алгоритмы классификации, используемые в системах BCI на основе EEG, включая их ключевые свойства, сравнительную производительность и пригодность для конкретных применений BCI
Publication Details
Publication Date
2007-01-31
Journal
Publisher
ISSN
Cited by
2665
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai1
Работы, цитирующие эту статью18
EEGNet: компактная сверточная нейронная сеть для интерфейсов мозг–компьютер на основе ЭЭГ2018
Глубокое обучение с использованием сверточных нейронных сетей для декодирования и визуализации ЭЭГ2017
Обзор алгоритмов классификации для интерфейсов «мозг–компьютер» на основе ЭЭГ: обновление за 10 лет2018
Интерфейсы мозг–компьютер на основе fNIRS: обзор2015
Всесторонний обзор парадигм интерфейсов мозг–компьютер на основе ЭЭГ2018
Сверточные нейронные сети для детектирования P300 с применением к интерфейсам мозг–компьютер2010
Интерфейсы мозг—компьютер: применения и проблемы2015
Современное состояние, проблемы и возможные решения для интерфейсов мозг–компьютер на основе ЭЭГ: всесторонний обзор2020
Интерфейсы мозг–компьютер, использующие сенсомоторные ритмы: современное состояние и перспективы развития2014
Распознавание эмоций человека на основе интерфейсов мозг–компьютер с использованием ЭЭГ и машинного обучения: всесторонний обзор2022
Риманова геометрия для интерфейсов мозг–компьютер на основе ЭЭГ: введение и обзор2017
Схема глубокого обучения для классификации воображаемых двигательных действий на основе ограниченных машин Больцмана2016
Развитие интерфейсов «мозг — компьютер»: проблемы и перспективы2021
Цикл интерфейса «мозг — компьютер»2009
Спектральные показатели мощности ЭЭГ когнитивной нагрузки: метаанализ2022
Методы извлечения признаков и классификации для гибридных интерфейсов мозг—компьютер на основе fNIRS и ЭЭГ2018
Декодирование четырех направлений движения с использованием гибридного интерфейса мозг–компьютер на основе NIRS–ЭЭГ2014
Методы оценки эмоций, вызываемых опытом употребления пищи: обзор литературы2018