出版社：Faculty of Humanities, Kaunas University of Technology
摘要：Tinkamam rezultatui užtikrinti smegenų ir kompiuterio sąsajoms reikalingi sudėtingi elektroencefalogramos (EEG) signalų apdorojimo, triukšmų šalinimo, požymių išskyrimo ir klasifikavimo algoritmai. Šiame straipsnyje nagrinėjamas netiesinių operatorių, tokių kaip Taeger-Kaiser energijos operatorius (TKEO) ir keletas jo atmainų, naudojimas EEG signalams apdoroti. Šių operatorių efektyvumas vertinamas klasifikavimui taikant atraminių vektorių metodą (SVM) su tiesine funkcija. Siūlomas naujas TKEO algoritmo apibendrinimas, pavadintas multivariantiniu homogeniniu polinomų operatoriumi (HMPO), ir 3-ios eilės HMPO lyginamas su kitais netiesiniais operatoriais. Eksperimento rezultatai rodo, kad 3-ios eilės HMPO operatorius leidžia lengviau atpažinti lėtų žievinių potencialų pasikeitimo požymius. Il. 1, bibl. 18, lent. 1 (anglų kalba; santraukos anglų ir lietuvių k.).
其他摘要：Brain-Computer Interface (BCI) systems require application of complex analysis, signal processing, denoising, feature extraction, dimensionality reduction and classification methods on acquired raw electroencephalogram (EEG) data to allow for useful operation. In this paper, we consider application of nonlinear operators such as Taeger-Kaiser Energy Operator (TKEO) and its multiple generalizations on the EEG signals and evaluate the efficiency of the operators using a Support Vector Machine (SVM) classifier with linear kernel. We propose a new generalization of TKEO, called Homogeneous Multivariate Polynomial Operator (HMPO), and compare the efficiency of the 3rd order HMPO with other nonlinear operators. Experimental results show that the 3rd order HMPO operator allows for better identification of significant features representing slow cortical potentials in the EEG data. Ill. 1, bibl. 18, tabl. 1 (in English; abstracts in English and Lithuanian). DOI: http://dx.doi.org/10.5755/j01.eee.119.3.1373
