Классификация психических состояний: 2. Классификация психических состояний

Абдель-Хамид О. , Мохамед А.Р., Цзян Х., Дэн Л., Пенн Г., Ю Д. (2014)Сверточные нейронные сети для распознавания речи. IEEE/ACM Trans Audio Speech Lang Pprocess 22(10):1533–1545

Артикул Google Scholar

Ahn S, Nguyen T, Jang H, Kim JG, Jun SC (2016) Изучение нейрофизиологических коррелятов умственной усталости водителей, вызванных лишением сна, с использованием одновременных данных ЭЭГ, ЭКГ и FNIRS. Передний шум Neurosci 10: 219. https://doi.org/10.3389/fnhum.2016.00219

Артикул пабмед ПабМед Центральный Google Scholar

Bornas X, Fiolveny A, Balle M, Morillasromero A, Tortellafeliu M (2015) Долгосрочные временные корреляции в колебаниях ЭЭГ у людей с субклинической депрессией: их связь с задумчивостью и подавлением. Cognit Neurodyn 9(1):53–62

Статья Google Scholar

Brookhuis KA, De WD (1993) Использование психофизиологии для оценки состояния водителя. Эргономика 36(9):1099

Артикул КАС Google Scholar

Cecotti H, Graser A (2011)Сверточные нейронные сети для обнаружения p300 с применением к интерфейсам мозг-компьютер. IEEE Trans Pattern Anal Mach Intel 33(3):433–445

Статья Google Scholar

Chang CC, Lin CJ (2011) Libsvm: библиотека для машин опорных векторов. ACM Trans Intel Syst Technol 2(3):1–27

Статья Google Scholar

Chen LL, Zhao Y, Ye PF, Zhang J, Zou JZ (2017) Обнаружение движущего стресса в физиологических сигналах на основе анализа мультимодальных признаков и ядерных классификаторов. Expert Syst Appl 85(C):279–291

Статья Google Scholar

Correa AG, Orosco L, Laciar E (2014) Автоматическое обнаружение сонливости в записях ЭЭГ на основе мультимодального анализа. Med Eng Phys 36(2):244

Статья Google Scholar

Домхан Т., Спрингенберг Дж. Т., Хаттер Ф. (2015) Ускорение автоматической оптимизации гиперпараметров глубоких нейронных сетей путем экстраполяции кривых обучения. В: IJCAI, стр. 3460–3468

Fu R, Wang H (2014) Обнаружение усталости от вождения с помощью бесконтактной системы измерения сигналов ЭМГ и ЭКГ. Int J Neural Syst 24(03):1450006

Статья Google Scholar

Fu RR, Wang H, Zhao WB (2016) Динамическое определение усталости водителя с использованием скрытой марковской модели в реальных условиях вождения. Приложение Expert Syst 63(C):397–411

Артикул Google Scholar

Gravier A, Quek C, Duch W, Wahab A, Gravier-Rymaszewska J (2016) Нейросетевое моделирование влияния каналопатий на рефлекторное зрительное внимание. Cognit Neurodyn 10(1):49–72

Статья Google Scholar

Hajinoroozi M, Mao Z, Huang Y (2016) Прогнозирование состояния сонливости и бодрствования водителя по сигналам ЭЭГ с помощью глубокого обучения. В: Международный семинар IEEE по вычислительным достижениям в мультисенсорной адаптивной обработке, стр. 49.3–496

He KM, Zhang XY, Ren SQ, Sun J (2016)Глубокое остаточное обучение для распознавания изображений. В: Компьютерное зрение и распознавание образов, стр. 770–778

Hochreiter S, Schmidhuber J (1997) Долгая кратковременная память. Neural Comput 9(8):1735–1780

Статья КАС Google Scholar

Hu JF (2017) Автоматическое определение усталости водителя на основе классификатора adaboost с сигналами ЭЭГ. Front Comput Neurosci 11:72

Артикул Google Scholar

Ху С.Х., Чжэн Г.Т. (2009) Обнаружение сонливости водителя с параметрами, связанными с веком, методом опорных векторов. Expert Syst Appl 36(4):7651–7658

Артикул Google Scholar

Идогава К. (2006) О волновой активности мозга профессиональных водителей при монотонной работе. Поведенческая метрика 18(30):23–34

Статья Google Scholar

Джэп Б.Т., Лал С., Фишер П., Бекиарис Э. (2009) Использование спектральных компонентов ЭЭГ для оценки алгоритмов обнаружения усталости. Expert Syst Appl 36(2):2352–2359

Артикул Google Scholar

Jeong IC, Lee DH, Park SW, Ko JI, Yoon HR (2007) Система определения индекса стресса водителя автомобиля, использующая электрокардиограмму. В: Симпозиум интеллектуальных транспортных средств, 2007 IEEE. IEEE, стр. 652–656

Jung TP, Makeig S, Humphries C, Lee TW, Mckeown MJ, Iragui V, Sejnowski TJ (2000) Удаление электроэнцефалографических артефактов путем слепого разделения источников. Психофизиология 37(2):163–178

Статья КАС Google Scholar

Kar S, Bhagat M, Routray A (2010) Анализ сигналов ЭЭГ для оценки и количественного определения усталости водителей. Transp Res Part F Traffic Psychol Behav 13(5):297–306

Статья Google Scholar

Хушаба Р.Н., Кодагода С., Лал С., Диссанаяке Г. (2010) Классификация сонливости водителя с использованием нечеткого алгоритма извлечения признаков на основе пакетов вейвлетов. IEEE Trans Biomed Eng 58(1):121–131

Статья Google Scholar

Kong WZ, Zhou ZP, Jiang B, Babiloni F, Borghini G (2017) Оценка усталости от вождения на основе фазовой синхронизации внутри/между регионами. Нейрокомпьютинг 219(5):474–482

Статья Google Scholar

Лал С.К., Крейг А. (2001) Критический обзор психофизиологии усталости водителя. Biol Psychol 55(3):173–194

Статья КАС Google Scholar

Lawhern VJ, Solon AJ, Waytowich NR, Gordon SM, Hung CP, Lance BJ (2016) Eegnet: компактная сверточная сеть для интерфейсов мозг-компьютер на основе ЭЭГ. Препринт arXiv arXiv: 1611.08024

LeCun Y, Bengio Y, Hinton G (2015)Глубокое обучение. Природа 521(7553):436–444

Артикул КАС Google Scholar

Лян С.Ф., Ван Х.К., Чанг В.Л. (2010) Комбинация комплексного ЭЭГ и спектрального анализа для диагностики эпилепсии и обнаружения припадков. Eurasip J Adv Signal Process 2010(1):1–15

Google Scholar

Lin CT, Huang KC, Chao CF, Chen JA, Chiu TW, Ko LW, Jung TP (2010) Тонические и фазовые ЭЭГ и поведенческие изменения, вызванные возбуждением обратной связи. НейроИзображение 52(2):633–642

Артикул Google Scholar

Lin CT, Wang YK, Chen SA (2014) Интерфейс мозг-компьютер на основе ЭЭГ для обнаружения вождения с двумя задачами. Нейрокомпьютинг 129(4):85–93

Google Scholar

Manor R, Geva AB (2015)Сверточная нейронная сеть для быстрого последовательного визуального представления нескольких категорий BCI. Front Comput Neurosci 9:146

Статья Google Scholar

Mu ZD, Hu JF, Min JL (2017) Система обнаружения усталости водителя с использованием сигналов электроэнцефалографии на основе комбинированных энтропийных характеристик. Appl Sci 7(2):150

Статья Google Scholar

Страница A, Shea C, Mohsenin T (2016)Обнаружение припадков с помощью носимых устройств с использованием сверточных нейронных сетей с переносным обучением. В: Международный симпозиум IEEE по схемам и системам (ISCAS). IEEE, стр. 1086–1089

Pal NR, Chuang CY, Ko LW, Chao CF, Jung TP, Liang SF, Lin CT (2008) Обнаружение сонливости на основе ЭЭГ, независимое от субъекта и сеанса: неконтролируемый подход. EURASIP J Adv Signal Process 2008(1):519480

Статья Google Scholar

Puanhvuan D, Khemmachotikun S, Wechakarn P, Wijarn B, Wongsawat Y (2017) Синхронизированное с навигацией мультимодальное управление инвалидной коляской от мозга к альтернативным вспомогательным технологиям для людей с тяжелыми формами инвалидности. Когнит Нейродин 11(2):117–134

Артикул Google Scholar

Qin FW, Gao NN, Peng Y, Wu ZZ, Shen SY, Grudtsin A (2018)Классификация мелкозернистых лейкоцитов с глубоким остаточным обучением для микроскопических изображений. Вычислительные методы Программы Биомед 162(8):243–252

Статья Google Scholar

Рагху С., Срираам Н., Кумар Г.П. (2017)Классификация эпилептических припадков с использованием логарифмической энергии пакетов вейвлетов и нормальных энтропий с рекуррентным классификатором нейронной сети Элмана. Когнит Нейродин 11(1):51–66

Артикул КАС Google Scholar

Sahayadhas A, Sundaraj K, Murugappan M (2012) Обнаружение сонливости водителя на основе датчиков: обзор. Датчики 12(12):16937

Артикул Google Scholar

Сахави С. , Гуан К.Т., Ян С.К. (2015) Параллельная сверточно-линейная нейронная сеть для классификации образов движения. В: Конференция по обработке сигналов (EUSIPCO). IEEE, стр. 2736–2740

Ширрмейстер Р.Т., Спрингенберг Дж.Т., Фидерер Л.Д.Дж., Глассеттер М., Эггеншпергер К., Тангерманн М., Хаттер Ф., Бургард В., Болл Т. (2017)Глубокое обучение с помощью сверточных нейронных сетей для картирования мозга и декодирования информации, связанной с движением, из ЭЭГ человека. Препринт arXiv arXiv: 1703.05051

Schoenberg PLA, Speckens AEM (2015) Многомерные модуляции альфа- и гамма-динамики коры головного мозга после когнитивной терапии, основанной на внимательности, при большом депрессивном расстройстве. Когнит Нейродин 9(1):13–29

Артикул Google Scholar

Stein D, Orbach ISM, Har ED, Yaruslasky A, Roth D, Meged S, Apter A (2013) Синхронизация альфа-диапазона ЭЭГ предсказывает когнитивные и двигательные способности у пациентов с ишемическим инсультом. Behav Neurol 26(3):187

Статья Google Scholar

Tang ZC, Li C, Sun SQ (2017) ЭЭГ-классификация изображений движений с использованием глубоких сверточных нейронных сетей. Opt Int J Light Electron Opt 130:11–18

Артикул Google Scholar

Thodoroff P, Pineau J, Lim A (2016) Изучение надежных функций с использованием глубокого обучения для автоматического обнаружения припадков. В: Конференция по машинному обучению для здравоохранения, стр. 178–190

Цучида А., Бхуйян М., Огури К. (2009) Оценка уровня сонливости на основе закрытия век и вариабельности сердечного ритма. В: Международная конференция EMBC 2009 IEEE Engineering in Medicine and Biology Society, 2009 г., стр. 2543–2546

Вали М.К., Муругаппан М., Ахмад Б. (2013) Классификация уровня отвлечения водителя на основе пакетного преобразования вейвлета с использованием eeg.