DC Field | Value | Language |
dc.contributor.author | Нарвойш, П. Ю. | - |
dc.contributor.author | Парамонов, А. И. | - |
dc.coverage.spatial | Санкт-Петербург | en_US |
dc.date.accessioned | 2024-11-06T11:04:15Z | - |
dc.date.available | 2024-11-06T11:04:15Z | - |
dc.date.issued | 2024 | - |
dc.identifier.citation | Нарвойш, П. Ю. Применение методов машинного обучения при исследовании деятельности головного мозга методом ЭЭГ = Application of machine learning methods in the brain activity study by using EEG / П. Ю. Нарвойш, А. И. Парамонов // Прикладной искусственный интеллект: перспективы и риски : сборник докладов международной научной конференции, Санкт-Петербург, 17 октября 2024 года / Санкт-Петербургский государственный университет аэрокосмического приборостроения. – Санкт-Петербург : ГУАП, 2024. – С. 290–292. | en_US |
dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/58191 | - |
dc.description.abstract | Рассматриваются возможные подходы к анализу ЭЭГ-данных с использованием алгоритмов машинного обучения.
Приведено описание исходных данных. Представлены архитектуры моделей для анализа сигналов ЭЭГ и
спектрограмм. Изучена возможность применения трансферного обучения для оптимизации ресурсов, а также
описан комплексный подход к анализу ЭЭГ данных на основе ансамблирования моделей. | en_US |
dc.language.iso | ru | en_US |
dc.publisher | Санкт-Петербургский государственный университет аэрокосмического приборостроения | en_US |
dc.subject | публикации ученых | en_US |
dc.subject | диагностика | en_US |
dc.subject | электроэнцефалография | en_US |
dc.subject | машинное обучение | en_US |
dc.subject | спектрограмма | en_US |
dc.subject | трансферное обучение | en_US |
dc.title | Применение методов машинного обучения при исследовании деятельности головного мозга методом ЭЭГ | en_US |
dc.title.alternative | Application of machine learning methods in the brain activity study by using EEG | en_US |
dc.type | Article | en_US |
local.description.annotation | The paper describes possible approaches to EEG data analysis using Machine Learning algorithms. Description of the
initial data is provided. Model architectures for analyzing EEG signals and spectrograms are presented. The possibility
of using transfer learning to optimize resources is considered, and a comprehensive approach to EEG data analysis based
on model ensemble is described. | en_US |
Appears in Collections: | Публикации в зарубежных изданиях
|