24-37

Научная статья
УДК 004.891, 616.8-002
https://doi.org/10.25686/2306-2819.2022.4.24 

1.     Furman Ya. A., Sevastyanov V. V., Ivanov K. O. Modern Problems of Brain-Signal Ana-
lysis and Approaches to Their Solution // Pattern Recognition and Image Analysis. 2019. Vol. 29. No. 1. Pp. 99–119. DOI: 10.1134/S1054661819010103.
2.     Кулаичев А. П. Компьютерная электрофизиология. М.: Изд-во Моск. ун-та, 2002. 640 с.
3.     Биопотенциалы мозга человека. Математический анализ / В. С. Русинов, О. М. Гриндель, Г. Н. Болдырева и др. М.: Медицина. 1987. 256 c.
4.     Зенков Л.Р. Клиническая электроэнцефалография. М.: МЕДпресс-информ, 2013. 356 с.
5.     Цыган В.Н., Богословский М.М, Миролюбов А.В. Электроэнцефалография / под. ред. М.М. Дьяконова. СПб.: Наука, 2008. 192 с.
6.     A Structural Approach to Computer Analysis of Brain Signals and Its Implementation in the Decision Support System / Ya. A. Furman, V. V. Sevastyanov, K. O. Ivanov et al. // Proceedings of the 6th International Young Scientists Conference on
Information Technologies, Telecommunications and Control Systems (ITTCS 2019), Innopolis, 2019. URL: ceur-ws.org/Vol-2525/ITTCS-19_paper_10.pdf (дата обращения 16.11.2022).
7.     Фурман Я. А., Севастьянов В. В., Иванов К. О. Структурные методы анализа электроэнцефалограмм при формировании медицинских заключений: монография / под. ред. Я. А. Фурмана. М.: КУРС, 2022. 272 с. (Серия «Наука»).
8.     Динамика спектральных характеристик ЭЭГ у лиц с разной личностной тревожностью при когнитивной деятельности / Т. Д. Джебраилова, И. И. Коробейникова, Н. А. Каратыгин и др.// Физиология человека. 2021. Т. 47, №. 1. С. 20–30.
9.     Связь спектральных характеристик тета-ритма ЭЭГ с результативностью выполнения когнитивного теста «n-back» / Н. А. Каратыгин, И. И. Коробейникова, Я. А. Венерина и др. // Экспериментальная психология. 2022. Т. 15, №. 2. С. 95–110.
10. Кропотов Ю.Д. Количественная ЭЭГ, когнитивные вызванные потенциалы мозга человека и нейротерапия. Донецк: Издатель Заславский А.Ю., 2010. 512 с.
11. Гнездицкий В.В. Обратная задача ЭЭГ и клиническая электроэнцефалография. М.: МЕДпресс-информ. 2004. 624 с.
12. A machine learning-based big EEG data artifact detection and wavelet-based removal: an empirical approach / Shalini Stalin, Vandana Roy, Prashant Kumar Shukla et al. // Mathematical Problems
 in Engineering. 2021. Vol. 2021. Pp. 1 - 11.
13. Automated characterization of cyclic alter
nating pattern using wavelet-based features and
ensemble learning techniques with EEG signals / M. Sharma, V. Patel, J. Tiwari et al. // Diagnostics. 2021. Vol. 11, No. 8.  Pp. 1380 - 1399.
14. EEG-based emotion recognition using tunable Q wavelet trans-form and rotation forest ensemble classifier / A. Subasi, T. Tuncer, S. Dogan et al. // Biomedical Signal Processing and Control. 2021. Vol. 68. URL: https://www.sciencedirect.com/science/article/pii/S1746809421002457 (дата обращения: 25.11.2022).
15. PrimePatNet87: Prime pattern and tunable
q-factor wavelet transform techniques for automated accurate EEG emotion recognition / A. Dogan, M. Akay, P. D. Barua et al. // Computers in Biology and Medicine. 2021. Vol. 138. URL: https://www.sciencedirect.com/­science/article/abs/pii/ (дата обращения: 25.11.2022).
16. Zarei A., Asl B. M. Automatic seizure detection using orthogonal matching pursuit, discrete wavelet transform, and entropy based features of EEG signals // Computers in Biology and Medicine. 2021. Vol. 131. URL: https://www.sciencedirect.com/science/article/abs/pii/S0010482521000445 (дата обращения 25.11.2022).
17. Deep learning techniques for classification of electroencephalogram (EEG) motor imagery (MI) signals: a review / H. Altaheri, G. Muhammad, M. Alsulaima et al.  // Neural Computing and Applications. 2021. No. 16. Pp. 1-42.
18. Cooney C., Folli R., Coyle D. A bimodal deep learning architecture for EEG-fNIRS decoding of overt and imagined speech // IEEE Transactions on Biomedical Engineering. 2021. Vol. 69, No. 6. Pp. 1983-1994
19. Topic A., Russo M. Emotion recognition based on EEG feature maps through deep learning network // Engineering Science and Technology: International Journal. 2021. Vol. 24, No. 6. Pp. 1442-1454.
20. Diagnosis and prognosis of mental disorders by means of EEG and deep learning: a systematic mapping study / M. J. Rivera, M. A. Teruel, A. Mate et al. // Artificial Intelligence Review. 2022. Vol. 55, No. 2. Pp. 1209-1251.
21. Гудфеллоу Я. Бенджио И., Курвиль А. Глубокое обучение. М.: ДМК-Пресс, 2018. 652 c.
22. Франсуа Ш. Глубокое обучение на Python.  СПб.: Питер, 2018. 400 c.
23. Хайкин С. Нейронные сети. М.: Вильямс, 2019. 1104 c.
24. The TUH EEG Corpus dings collected at Temple University Hospital (TUH) from 2002 – present. URL: https://isip.piconepress.com/projects/tuh_eeg/downloads/tuh_eeg/ (дата обращения: 28.11.2022).
25. Siena Scalp EEG Database // Detti, P. (2020). Siena Scalp EEG Database (version 1.0.0). PhysioNet. https://doi.org/10.13026/5d4a-j060. URL: https://physio­net.org/content/siena-scalp-eeg/1.0.0/ (дата обращения: 28.11.2022).
26. Каллан Р. Основные концепции нейронных сетей. М.: Вильямс, 2009. 288 c.
27. Николаенко С. И., Архангельская Е. О., Кадурин А. А.  Глубокое обучение. Погружение в мир нейронных сетей. СПб.: Питер, 2022. 480 c.
28. Rao Delip, McMahan Brian. Natural Language Processing with PyTorch: Build Intelligent Language Applications Using Deep Learning. Boston, 2019. 256 p.
29. Pointer Ian. Programming PyTorch for Deep Learning: Creating and Deploying Deep Learning Applications. Boston, 2019. 220 p.
30. Тимофеев В. С., Сивак М. А. Робастная нейронная сеть с простой архитектурой // Сибирский журнал индустриальной математики. 2021. T. 24. № 4. С. 126–138.