| dc.contributor.author | Безобразова, Светлана Владимировна | |
| dc.contributor.author | Головко, Владимир Адамович | |
| dc.contributor.author | Лаврентьев, Виктор Владимирович | |
| dc.coverage.spatial | Брест | |
| dc.date.accessioned | 2021-03-05T09:26:10Z | |
| dc.date.available | 2021-03-05T09:26:10Z | |
| dc.date.issued | 2007 | |
| dc.identifier.citation | Безобразова, С. В. Адаптивная сегментация сигналов электроэнцефалограмм на основе нейронных сетей / С. В. Безобразова, В. А. Головко, В. В. Лаврентьев // Вестник Брестского государственного технического университета. Серия: Физика, математика, информатика. – 2007. – № 5. – С. 22–26. | |
| dc.identifier.uri | https://rep.bstu.by/handle/data/10987 | |
| dc.description | BEZOBRAZOVA S.V., GOLOVKO V.A., LAVRENTIEV V.V. The adaptive segmentation of electroencephalogram signals based on neural networks | |
| dc.description.abstract | Проведен анализ существующих методов сегментирования данных. Предложен нейросетевой подход к сегментации сигналов. Сегменты идентифицируются по уровню хаоса на участке сигнала. Рассмотрен способ решения проблемы выбора временного масштаба при помощи исследования сегментируемых рядов и выделения возможного наименьшего размера сегмента. Адаптивная сегментация на основе нейронных сетей позволяет повысить точность обнаружения эпилептиформной активности в сигнале ЭЭГ, так как применение сегментации предполагает определение длительности соответствующего сегмента. | |
| dc.language.iso | ru | |
| dc.publisher | БрГТУ | |
| dc.title | Адаптивная сегментация сигналов электроэнцефалограмм на основе нейронных сетей | |
| dc.type | Статья (Article) | |
| dc.identifier.udc | 004.8.032.26 | |
| dc.abstract.alternative | Existence methods of the data segmentation are analyzed. The neural network approach for the signals segmentation is proposed. Segments are identified by a level of chaos on an interval of the signal. We consider a solution of the time scaling problem by the initial signals examination and the minimum size estimation of a segment. The segmentation applying calculates a length of segments; therefore the adaptive segmentation based on neural networks allows accuracy of epileptiform activity detection in EEG signal increased. | |
