Помощь в написании студенческих работ
Антистрессовый сервис

Методы и программные средства для обработки данных электроэнцефалографии

Диссертация: Методы и программные средства для обработки данных электроэнцефалографии
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Нейронная система мозга представляет собой очень сложный объект, содержащий приблизительно 1014 нейронов, которые в совокупности отражают функциональное состояние мозговой активности. Судить о реакции мозга мы можем по измерениям потенциала на поверхности головы, которые являются многомодовыми, т. е. отражают реакцию мозга на разные сенсорные рецепторы — зрительные, слуховые, ментальные… Читать ещё >

Методы и программные средства для обработки данных электроэнцефалографии (реферат, курсовая, диплом, контрольная)

Содержание

  • Глава 1. Метод ансамблей деревьев решений для анализа электрической активности мозга человека
    • 1. 1. Постановка задачи локализации нейронных источников
    • 1. 2. Сведение задачи локализации к задаче классификации
    • 1. 3. Алгоритм построения классификатора для определения зон электрической активности
      • 1. 3. 1. Алгоритм построения дерева решений
      • 1. 3. 2. Алгоритм голосования классификаторов
    • 1. 4. Сходимость и определение основных параметрических зависимостей предложенного метода
  • Глава 2. Параллельные алгоритмы и программный комплекс обработки данных ЭЭГ
    • 2. 1. Определение требований к программному комплексу обработки сигналов ЭЭГ
    • 2. 2. Структура программного комплекса локализации нейронных источников электрической активности
      • 2. 2. 1. Базовые классы основных модулей программного комплекса
    • 2. 3. Анализ производительности последовательного алгоритма решения обратной задачи ЭЭГ
    • 2. 4. Параллельный алгоритм построения ансамблей деревьев решений
      • 2. 4. 1. Анализ эффективности МИ-реализации параллельного алгоритма локализации источников
      • 2. 4. 2. Многонитевая реализация параллельного алгоритма локализации нейронных источников
  • Глава 3. Использование комплекса программ по обработке сигнала ЭЭГ при исследовании нейрофизиологических проблем восприятия
    • 3. 1. Алгоритм построения пространственно-усредненных карт активности нейронных дипольных источников
    • 3. 2. Задача определения пространственных нейронных структур мозга, участвующих в обработке зрительной информации
    • 3. 3. Протокол нейрофизиологического эксперимента, цели математической обработки экспериментальных данных
    • 3. 4. Построение временных карт активности нейронных источников и их сравнение для различных стадий эксперимента
      • 3. 4. 1. Выбор масштаба временного окна для построения пространственно-временных карт
      • 3. 4. 2. Построение пространственно-временных карт активности для фоновой ЭЭГ и при возникновении у испытуемого зрительно-иллюзорного образа
      • 3. 4. 3. Сравнение областей возникновения вероятных источников активности для всех фрагментов сигнала ЭЭГ
      • 3. 4. 4. Определение проекции усредненных зон активности дипольного источника на реальную геометрию мозга
    • 3. 5. Сравнение разработанных алгоритмов локализации источников с существующими методами

Исследованию проблем, связанных с функционированием человеческого мозга, всегда уделялось большое внимание со стороны специалистов из разных научных областей. Важная роль в решении возникающих задач отводится методам автоматизированной обработки сигналов, измеряемых при изучении человеческого мозга. Одно из важных направлений в изучении человеческого мозга связано с исследованиями его электрической активности, регистрируемой в виде сигнала электроэнцефалограммы (ЭЭГ). Ключевое место в этой проблеме занимает задача локализации источников. Определение зон активности открывает новые возможности для проведения диагностирования и лечения заболеваний, исследования реакций мозга на внешние воздействия, исследования проблем восприятия человеком внешнего мира.

Определение зон активности коры головного мозга при реакциях на различные внешние воздействия широко используется при создании интерфейса мозг-компьютер (Brain-Computer Interface). В нейрофизиологических исследованиях на основе ЭЭГ проводятся важнейшие эксперименты по выявлению реакции мозга на поступающие образы. Получая оценку функционального состояния работы мозга, нейрофизиологи выявляют принципы и механизмы внутреннего взаимодействия компонент мозга. Практическое внедрение новых программных систем, на основе новых информационных технологий позволяет дать дополнительные новые инструменты для понимания нейрофизиологами проблем восприятия человеком внешнего мира.

Принципиальную роль в этих исследованиях играет автоматизированный анализ данных ЭЭГ.

Нейронная система мозга представляет собой очень сложный объект, содержащий приблизительно 1014 нейронов, которые в совокупности отражают функциональное состояние мозговой активности. Судить о реакции мозга мы можем по измерениям потенциала на поверхности головы, которые являются многомодовыми, т. е. отражают реакцию мозга на разные сенсорные рецепторы — зрительные, слуховые, ментальные, двигательные и др. В полученном экспериментальном сигнале содержится несколько ритмов, которые отвечают за разный тип активности, и результат их взаимодействия. Главной особенностью экспериментальных данных, изучаемых в диссертации, является то, что они получены внешними по отношению к объекту диагностиками. Необходимо определить внутренние источники этих сигналов, чтобы понять модели, лежащие в основе этих данных.

Причиной развития параллельных алгоритмов в задачах локализации источников служат масштабы разрабатываемых моделей человеческого мозга. От общих многослойных моделей исследователи переходят к моделированию максимально приближенным к конкретному испытуемому анатомических структур мозга и описанию более сложных процессов электрической активности, происходящих на микро-уровне. В связи с этим число элементов в рассматриваемой структуре возрастает в несколько раз, что требует увеличения вычислительных ресурсов для микро-моделирования. Создание новых поколений многопроцессорных вычислительных систем, содержащих сотни тысяч процессорных элементов, позволяет ставить новые задачи по прямому моделированию работы мозга.

Все это приводит к необходимости разработки новых алгоритмов и программных комплексов для обработки данных измерений, связанных с активностью и строением мозга. Основное, что предлагается в диссертации — это метод, основанный на использовании ансамблей деревьев решений и программный комплекс, построенный на базе этого метода для поиска источников анализируемых сигналов электрической активности головного мозга.

Цель диссертации.

Разработка алгоритмов и программных средств, реализующих автоматизированное построение пространственно-временных карт активности мозга по данным ЭЭГ. Целями диссертации являются,.

1. Разработка алгоритмов и программных средств, реализующих автоматизированное построение пространственно-временных карт активности мозга на основе метода случайных деревьев решений.

2. Разработка параллельных алгоритмов и программного комплекса ансамблей деревьев решений для автоматизированного анализа больших баз экспериментальных данных исследований мозга на параллельных высокопроизводительных вычислительных системах.

3. Применение разработанных программных средств для анализа оценки функционального состояния мозговой деятельности в нейрофизиологических экспериментах.

Диссертация состоит из введения, трех глав, заключения, списка литературы и приложения, содержащего рисунки.

Заключение

.

1. Предложен новый метод автоматизированного анализа сигнала ЭЭГ, основанный на ансамбле деревьев решений, который позволяет устойчиво выделять электрически активные зоны мозга, отвечающие за регистрируемый пространственно-временной сигнал ЭЭГ. Предложен алгоритм параллельного обучения ансамблей классификаторов, позволяющий значительно сократить временные затраты на обработку сигнала.

2. Разработан новый метод построения усредненных пространственно-временных карт активности нейронных источников, основанный на кластерном анализе результатов локализации. Метод позволяет находить общие закономерности активности для группы сигналов ЭЭГ и отфильтровывать случайные скачки дипольных источников, вызванные артефактными событиями.

3. На основе предложенного подхода, разработанных методов и алгоритмов реализован программный комплекс для анализа сигналов ЭЭГ. Эффективность предложенного подхода продемонстрирована на примере использования комплекса для исследования нейрофизиологических проблем восприятия зрительной информации.

Показать весь текст

Список литературы

  1. Keirn Z.A., Aunon J.1. A new mode of communication between man and his surroundings. // IEEE Trans. Biomed. Eng. — 1990. — Vol. 37. — pp. 1209−1214.
  2. Wolpaw J. R., Birbauiner N., McFariand D. J. Pfurtscheller G., Vaughan T. M. Brain-computer interfaces for communication and control // Neurophysiol. 2002. — Vol.113. — pp. 767−791.
  3. T. Ebrahimi, Vesin, J.-M., Garcia, G. Brain-Computer Interface in Multimedia Communication // IEEE signal processing magazine. -2003. Vol. — pp. 14−24.
  4. ЭЛ. Значение контекста когнитивной деятельности в формировании неосознаваемых зрительных установок // Рос. фи-зиол. журн. 2006. — Т. 92, N. 2. — С. 164−177.
  5. М.Н. Пространственная организация процессов головного мозга. М.: Наука, 1972.
  6. J. Tripp. Physical concepts and mathematical models. New York: Plenum, 1983. — pp. 101−139.
  7. P.L. Nunez. A study of origins of the time dependencies of scalp EEG: theoretical basis // IEEE Trans, on Biomed. Eng. 1981. — Vol. BME-28. — pp.271−280.
  8. P.L. Nunez. Electrical Field of Brain. New York: Oxford University Press, 1981.
  9. E. В., Коптелов Ю. M. О некоторых математических проблемах в решении обратной задачи электроэнцефалографии // Доклад АН СССР. 1987. — Т. 292, N.3.
  10. Sarvas J. Basic mathematical and electromagnetic concepts of the bio-magnetic inverse problem // Phys. Med. Biol. 1987. — Vol. 32. — P. ll-22.
  11. К., Попов A. M., Федулова И. А., Певцов С. Е. Численной решение обратных математических задач электроэнцэфалогра-фии // Вести. Моск. Ун-та Сер. 15 Вычисл. матем. и киберн. 2004.- Т. 4. С. 33−45
  12. Mosher J.С., Leahy R.M., Lewis P. S. EEG and MEG: Forward Solutions for Inverse Methods // EEE Trans. Biomed. Eng. 1999.- Vol. 46, no.3. pp. 245−259.
  13. T.R.Knosche. Solutions of the neuroelectromagnetic inverse problem: PhD thesis / Univ. of Twente, Netherlands, 1997.
  14. А.Н.Тихонов, А. А. Самарский. Уравнения математической физики. -М.: Наука, 1977.
  15. В.А. Морозов. Регулярные методы решения некорректно поставленных задач. М.: Наука, 1987.
  16. Ф.Наттерер. Математические аспекты компьютерной томографии.- М.: Мир, 1990.
  17. M.Scherg and D. von Cramon. Two bilateral sources of the late AEP as indenified by a spatio-temporal dipole model // Electroenc. Clin. Newrophysiol. 1985. — Vol. 62. — pp. 32−44.
  18. H.Buchner, G. Knoll, M.Fuchs. Inverse localization of electric dipole current sources in finite element models of the human head. // Electroenc. Clin. Newrophysiol. 1997. — Vol. 102. — pp. 267−278.
  19. Wolters С. H. Comparing regularized and non-regularized nonlinear dipole fit methods: a study in a simulated sulcus structure // Brain Top. 1999. — Vol. 12, no. 1. — pp. 3−18.
  20. U.Schmitt and A.K.Louis. Efficient algorithms for the regularization of dynamic inverse problems-part I: Theory // Inverse Problems. 2002.- Vol. 18. pp. 645−658.
  21. Breiman L. Random Forests // Machine Learning. 2001. — Vol. 45, no. 3. — pp. 5−32.
  22. L. : Bagging predictors // Machine Learning. 1996. — Vol. 24. — pp. 123−140.
  23. L. Breiman. Random Forest Random Features / Technical Report 567, 1999.
  24. Breiman L., Friedman J. H., R. A. Olshen, Stone C. J. Classification and regression trees. Monterey, U.S.A.: Wadsworth. 1984.
  25. Freund Y., Schapire R. E. A decision-theoretic generalization of on-line learning and an application to boosting // In: Proceedings of the 2nd European Conference on Computational Learning Theory. 1995. — 2337.
  26. E. Ансамбль деревьев решений для локализации нейронных источников мозга // Вестник Моск. ун-та. Сер. 15. Вычисл.матем.и киберп. 2007. — Т. 2. — С.23−35.
  27. Breiman L. Arcing classifiers // Annals of Statistics. 1998. — Vol. 26. — pp. 801−849.
  28. Harries M. Boosting a strong learner: evidence against the minimum margin // Proceedings of the 16th International Conference on Machine Learning. 1999. — pp. 171−179.
  29. Quinlan J. R.: Miniboosting decision trees // Proceedings of Fifteenth National Conference on Artificial Intelligence. 1998.
  30. Webb G. placel. MultiBoosting: a technique for combining boosting and wagging // Machine Learning. 2000. — Vol. 40. — pp. 159−196.
  31. Asker L., Maclin R. Ensembles as a sequence of classifiers // Proceedings of the 15th International Joint Conference on Artificial Intelligence. -1997. pp. 860−865.
  32. Bauer E., Kohavi R. An empirical comparison of voting classification algorithms: bagging, boosting, and variants // Machine Learning. -1999. Vol. 36. — pp. 105−139.
  33. Zhou Z.H., Wu J., Tang W. Ensembling neural networks: many could be better than all // Artificial Intelligence. 2002. — Vol. 137. — pp. 239−263.
  34. T. Ho. The random subspace method for constructing decision forests // IEEE Transactions on Pattern Analysis and Machine Intelligence. -1998. Vol. 20, no. 8. — pp. 832−844.
  35. T. Dietterich. An experimental comparison of three methods for constructing ensembles of decision trees: bagging, boosting, and randomization // Machine Learning. 2000. — Vol. 40, no. 2. — pp. 139−157.
  36. Martinez-Munoz, G. Suarez, A. Comput. Sci. Dept. Using all data to generate decision tree ensembles // Systems, Man and Cybernetics, IEEE Transactions. ~ 2004. Part C. — pp. 43−65.
  37. Kamath, C., Cant-Paz, E. and Littau, D. Approximate splitting for ensembles of trees using histograms // Second country-regionplace SIAM International Conference on Data Mining. Chicago, USA: 2002.
  38. Demsar J. Statistical comparisons of classifiers over multiple data sets // Journal of Machine Learning Research. 2006. — Vol. 7. — pp. 1−30.
  39. M. Breitenbach, R. Nielsen, G.Z. Grudic. Probabilistic random forests: Predicting data point specific misclassification probabilities / Technical Report. 2004, Department of Computer Science CU-CS-954−03, PlaceTypeplaceUniversity of PlaceNameColorado.
  40. Creating ensembles of oblique decision trees with evolutionary algorithms and sampling, US Patent Issued on June 13, 2006.
  41. C. Cant-Paz, E. Kamath. Inducing oblique decision trees with evolutionary algorithms / / IEEE Transactions on Evolutionary Computation. 2003. — Vol. 7. — pp. 54−68.
  42. Wehenkel L., Ernst D., Geurts P. Random subwindows and extremely randomized trees for image classification in cell biology // BMC Cell Biology. 2007. — Vol. 8. — pp. 10−21.
  43. R. E. Banfield, L. O. Hall, K. W. Bowyer, and W. P. Kegelmeyer. A new ensemble diversity measure applied to thinning ensembles // Proc of Fifth International Workshop on Multiple Classifier Systems. 2003. — pp. 306−316
  44. A. Tsymble, M. Pechenizkiy, P. Cunningham. Dynamic Intergration with Random placeForest. 2006. URL: https://www.cs.tcd.ie/publications/tech-reports/reports.06/TCD-CS-2006−23.pdf
  45. R. Banfield, O. Hall, K. Bowyer, W.Kegelmeyer. A Comparison of Decision Tree Ensemble Creation Techniques // Pattern Analysis and Machine Intelligence, IEEE Transactions on. 2006. — Vol. 29, no. 1. -pp. 173−180.
  46. C. Dahinden. Classification with Tree-Based Ensembles Applied to the WCCI 2006 Performance Prediction Challenge Datasets // International Joint Conference on Neural Networks. Vancouver, Canada: 2006.
  47. P. Boinee, A. Angelis, G. Foresti. PlaceMeta Random Forests // International Journal of computational intellignece. 2005. — Vol. 2, no. 3. — pp. 65−78.
  48. H. Kargupta, B. Park, H. Dutta. Orthogonal Decision Trees // IEEE Transactions on knowledge and data engineering. 2006. — Col. 18, no. 8. — pp. 1028−1042
  49. Mehta M., Agrawal R., Rissanen J. SLIQ: A fast scalable classifier for data mining // Proc. of the Fifth Int. Conf. on Ext. Database Technology. Springer Verlag, 1996.
  50. Shafer J., Agrawal R., Mehta M. SPRINT: A scalable parallel classifier for data mining // Proc. of Very Large Databases Conf. CiteSeer. 1ST, 1996.
  51. Jin R., Agrawal J. Communication and Memory Efficient Parallel Decision Tree Construction // Proc. of Int. Conf. on Parallel DM. -CiteSeer.1ST, 2003.
  52. Alsabti K., Ranka S., Singh. V. CLOUDS: Classification for large or out-of-core datasets // Journal of Parallel and Dist. Computing. 1998. -Vol. 61, no. 3. — pp.285−321.
  53. Chan K., Stolfo J. Metalearning for multistrategy learning and parallel learning // Proc. Int. Conf. on Multistrategy Learning. ACM New York, 2003.
  54. M.V. Joshi, G. Karypis, V. Kumar. ScalParC: A new scalable and efficient parallel classification alg orithm for mining large datasets // In Proc. of the International Parallel Processing Symposium. 1998. -Vol. 3. — pp.123−37.
  55. V. Kumar, A. Grama, A. Gupta, G. Karypis. Introduction to Parallel Computing: Algorithm Design and Analysis. Benjamin Cummings Addison Wesley, Redwod City: 1994.
  56. G.Karypis, V. Kumar. Unstructured tree search on simd parallel computers // Journal of Parallel and Distributed Computing. 1994. — Vol.22. — pp.379−391.
  57. URL: http://www.ihna.ru/book.php?=l&id—22
  58. Konishi S., Nakajima K., Uchida S. et al. Common inhibitory mechnism in human inferior prefrontal cortex revealted by event-related function MRI // Brain. 1999. — Vol. 122. — pp. 981−991.
  59. Pitts, McCalloch. How We Know Universals: The Perception of Auditory and Visual Forms // How We Know Universals: The Perception of Auditory and Visual Forms. 1947. — Vol 5. — pp 115−133.
  60. Е.С. Нейробиологические основы опознания человеком эмоций по лицевой экспрессии // Журн. высш. нерв. деят. 2005. — Т. 55. N. 1. — С. 15−28.
  61. ЭЛ., Курова Н. С., Черемушкин Е. А., Яковенко ИЛ., Петренко Н. Е., Ашкинази МЛ. Установка как регулирующий фактор в функции опознания эмоционального выражения лица // Журн. высш. нерв. деят. 2006. — Т. 56, No 5. — С. 581−589.
  62. Grova С, Daunizeau J, Lina JM, et al. Evaluation of EEG localization methods using realistic simulations of interictal spikes // NEUROIMAGE. 2006. — Vol. 29, no. 3. — pp. 34−753.
  63. Hoechstetter K, Bornfleth H, Weckesser D, Ille N, Berg P, Scherg M. BESA source coherence: A new method to study cortical oscillatory coupling // Brain Topography. 2004. — Vol. 16. — pp. 233−238.
  64. URL: http://www.neurosoft.rU/rus/notice/index.aspx#notice
  65. Kerick, S.E., Hatfield, B.D., Allender, L.E. Event-Related Cortical Dynamics of Soldiers During Shooting as a Function of Varied Task Demand // Aviation, Space, and Environmental Medicine. 2008. -Vol. 78, no. 1. — pp 153−164.
  66. URL: http://www.bic.mni.mcgill.ca/software/
  67. F.C. Donders. Center for Cognitive Neuroimaging // University Nijmegen.
  68. D.Brunet, Functional Brain Mapping Laboratory // University of Geneva.
  69. DW. Shattuck, BrainSuite laboratory // University of California Los Angeles and University of Southern California.
  70. Athinoula A. Martinos, Center for Biomedical Imaging // Massachusetts General Hospital.
  71. M.Hamalainen, A.A. Martinos, Center for Biomedical Imaging // Massachusetts General Hospital.
  72. Wellcome Trust Centre for Neuroimaging University College London.
  73. Попова Б. А Локализация нейронных источников электрической активности мозга с помощью метода Random Forest // Программные Системы и Инструменты: Тематический сборник ф-та ВМиК МГУ. 2005. — Vol. 6. — с. 6−18.
  74. Е.А. Разработка адаптивной системы машинного обучения основе метода деревьев решений // Программные Системы и Инструменты: Тематический сборник ф-та ВМиК МГУ. 2005. -Vol. 6. — с. 17−28.
  75. Е.А. Обзор методов построения ансамблей классификаторов // Программные Системы и Инструменты: Тематический сборник ф-та ВМиК МГУ. 2006. — Vol.7. — pp. 23−29.
  76. Е.А. Метод параллельного построения комитета деревьев решений для обработки сигналов электроэнцефалографии // Вестн. Моск. Ун-та Сер. 15 Вычисл. матем. и киберн. 2009 (в печати)
  77. В. В. Обратная задача ЭЭГ и клиническая электроэнцефалография. Таганрог: ТРТУ, 2000.
  78. Vidal J. I. Real-time detection of brain events in EEC // Proc. IEEE. -1977. Vol. 65. — pp.33−664.
  79. D.E.Goldberg. Genetic algorithms in search, optimization and machine learning. NY: Addison Wesley, 1989.
  80. Pascual-Marqui R. D. Review of methods for solving the eeg inverse problem // International lournal of bioelectromagnetism. 1999. — Vol.3- P. 75−86.
  81. Певцов С.: Разработка методов решения обратных задач, возникающих в биомедицине / Дисс.к.ф.-м.н. фак. ВМиК МГУ, 2007.
  82. ЭЛ., Курова Н. С., Черемушкин EJL, Яковенко ИЛ. Зависимость установки от участия вентральной и дорзальной зрительных систем в когнитивной деятельности // Журн. высш. нерв. деят.- 2005. Т. 55, по. 2. — С. 156−163.
  83. В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979.
  84. R. Tootell, K. Nelissen, W. Vanduffel, G. Orban. Search for Color «Center (s)» in Macaque Visual Cortex // textitCerebral Cortex. 1995.- Vol. 15. Pp. 353−363.
  85. Eden T. Abnormal Processing of Visual Motion in Dyslexia Revealed by Functional Brain Imaging // Nature. 1996. — Vol. 382. — pp. 66−69.
  86. Damasio, A. R., Tranel, D., Damasio, H. Individuals with sociopathic behaviour caused by frontal damage fail to respond autonomically to social stimuli // Behavioural Brain Research. 1990. — Vol. 41. — pp. 81 794.
  87. Kanwisher N, McDermott J, Chun MM. The fusiform face area: A module in human extrastriate cortex specialised for face perception // Journal Neuroscience. 1997. — Vol. 17. — pp. 4302−4311.
  88. Hesheng Liu, Schimp P.H. Efficient localization of synchronous EEG source activities using a modified RAP-MUSIC algorithm // Biomedical Engineering IEEE Transactions 2006 — Vol. 53. — pp. 652−661.
  89. Baillet S, Mosher JC, Leahy RD. Electromagnetic brain mapping // IEEE Signal Processing Magazine 2001 — Vol. 18. — pp. 14−30.
  90. G.Frassoldati, L. Zanni, G.Zanghirati. New adaptive stepsize selections in gradient methods // Journal of Industrial and Managment Optimization 2007 — Vol.3. — pp. 23−41.
  91. O. David, L. Garnero. Time-coherent expansion of MEG/EEG cortical sources // Neurolmage. 2002. — Vol. 17. — pp. 1277−1289.
  92. M. Hamalainen, R. Ilmoniemi. Interpreting magnetic fields of the brain: minimum norm estimates // Med. Biol. Eng. Comput. 1994. — Vol. 32. — pp. 35−42.
  93. J. Mattout, M. Perlergrini-Issac, L. Garnero, H. Benali. Multivariate source prelocalization: use of functionally informed basis functions for better conditioning the MEG inverse problem // Neurolmage. 2005. -Vol. 26, no. 2. — pp. 356−373.
  94. C. Amblard, E. Lapalme, J.M.Lina. Biomagnetic cortical sources reconstruction by maximum entropy on the mean // IEEE Trans. Biomed. Eng. 2004. — Vol. 51, no. 3. — pp. 427−442.
  95. C. Metz. ROC methodology in radiologic imaging // Invest. Radiol. -1986.- Vol.21, no. 9. pp. 720−732.
  96. C. Grova, J. Daunizeau, J.-M. Lina, C.G. Behnar, H. Benali, J. Gotmana. Evaluation of EEG localization methods using realistic simulations of interictal spikes // Neurolmage. 2006. — Vol. 29. — pp. 734−753.
  97. URL:http://www.scimag. com/parallel-processing-speeds-visualization. aspx
  98. B. Lu, J. Shin, M. Ichikawa. Fast classification of high-dimensional EEG signals using min-max modular neural networks // RIKEN Review. -2001. Vol. 40. — pp. 58−62.
  99. P. Martinez, H. Bakardjian, A. Cichocki. Fully Online Multicommand Brain-Computer Interface with Visual Neurofeedback Using SSVEP Paradigm // Computational Intelligence and Neuroscience. 2007. -Vol. 2007. — pp. 9
  100. B. Keith, C. Hoge, R. Frank, A. Malony. Parallel ICA Methods for EEG Neuroimaging // Parallel and Distributed Processing Symposium. Rhodes Island, Greece: 2006.
  101. W. Drongelena, H. Leea, M. Hereldb, D. Jonesc, M. Cohoona, F. Elsena, M. Papkab, R. Stevensb. Simulation of neocortical epileptiform activity using parallel computing // Neurocomputing. 2004. — Vol. 5860. — pp. 1203−1209.
  102. A. Cabrera, K. Dremstrup. Auditory and spatial navigation imagery in Brain-Computer Interface using optimized wavelets // Journal of Neuroscience Methods. 2008. — Vol. 174. — pp. 135−146.
  103. N. Bloom. Parallel Brain-Computer Interface signal processing // PhD thesis. 2007.
  104. R. Krepki, B. Blankertz, G. Curio, K. Muller. The Berlin Brain-Computer Interface (BBCI) towards a new communication channel for online control in gaming applications // Multimedia Tools and Applications. 2007. — Vol. 33, no. 1. — pp. 73−90.
  105. T. Handy. Event-related potentials: A methods handbook. New York: MIT Press, 2005. — Pp. 430.
  106. F. Lotte, A. Lecuyer. Brain-Computer Interfaces and Virtual Reality: the Open-ViBE project // French-Japanese Workshop, «Improving the VR experience». Tokyo, Japan: 2008.
Заполнить форму текущей работой

Сессия? Спокойно!