описать текущее положение дел в сфере моделирования электроэнцефалограммы

Современная медицинская диагностика и исследования мозговой активности человека являются важным направлением развития медицины и нейробиологии. Одним из наиболее распространенных методов изучения мозговой активности является электроэнцефалография (ЭЭГ). Этот метод позволяет регистрировать электрическую активность мозга с помощью электродов, размещенных на поверхности головы. Анализ электроэнцефалограммы позволяет выявить различные аномалии и патологии мозга, такие как эпилепсия, болезни Паркинсона, шизофрения и другие.

Однако интерпретация электроэнцефалограммы является сложным процессом, требующим высокой квалификации специалиста. В связи с этим, разработка математических моделей для предсказания и анализа электроэнцефалограммы является актуальной темой исследований. Моделирование электроэнцефалограммы позволяет более точно и объективно анализировать мозговую активность, а также предсказывать возможные патологии и их динамику.

Выбор темы "Моделирование электроэнцефалограммы" обусловлен необходимостью разработки новых методов и подходов для анализа и интерпретации данных, полученных при электроэнцефалографии. Существующие методы исследования, основанные на анализе собственных характеристик сигнала, не всегда дают полное представление о мозговой активности и не всегда позволяют выявить патологии в ранних стадиях их развития.

Математическое моделирование электроэнцефалограммы предоставляет возможность создания точных и надежных моделей мозговой активности, учитывая множество факторов, таких как соседние активные области мозга, электродные артефакты и шумы, а также особенности конкретного пациента. Это позволяет улучшить точность диагностики и предсказания патологий, а также оптимизировать лечение.

Актуальность темы "Моделирование электроэнцефалограммы" обусловлена не только необходимостью повышения точности и надежности диагностики и прогнозирования патологий мозга, но и быстрым развитием современных технологий и искусственного интеллекта. Применение математических моделей и компьютерных алгоритмов позволяет автоматизировать процессы анализа и интерпретации электроэнцефалограммы, что существенно сокращает время, затрачиваемое на диагностику и улучшает качество решений.

Предметом данной курсовой работы является обзор актуальных статей и исследований по теме математического моделирования электроэнцефалограммы. В основе работы лежит анализ существующих математических моделей и алгоритмов, их преимущества и недостатки, а также возможности их применения для повышения качества диагностики и прогнозирования патологических состояний мозга.

Объектом исследования данной работы являются математические модели, алгоритмы и методы, используемые для моделирования электроэнцефалограммы. Анализируются различные подходы к моделированию, включая использование методов машинного обучения, искусственного интеллекта и статистического анализа.

Целью данной работы является систематизация и обзор актуальных статей и исследований, посвященных математическому моделированию электроэнцефалограммы.

Введение. 3

Глава 1. Обзор литературы.. 6

1.1 Обзор актуальных статей и исследований на сайте Springer 6

1.2 Описание основных методов моделирования электроэнцефалограммы.. 7

1.3 Описание текущего положения дел в сфере моделирования электроэнцефалограммы 9

Глава 2. Методология анализа актуальных статей и исследований на сайте Springer 12

2.1 Описание методологии исследования. 12

2.2 Представление результатов обзора актуальных статей и исследований. 14

2.3 Обсуждение результатов и их связь с целью и задачами работы.. 15

2.4 Выделение основных достижений и проблем в сфере моделирования электроэнцефалограммы.. 17

Заключение. 20

Список использованных источников. 22

1. Emotion Recognition from Electroencephalogram (EEG) Signals Using a Multiple Column Convolutional Neural Network Model. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02543-0 (Дата обращения: 06.05.24)

2. EEG-Based Emotion Recognition using Deep Neural Networks. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02542-1 (Дата обращения: 06.05.24)

3. A Survey on EEG-Based Emotion Recognition: Recent Advances and Future Directions. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02541-2 (Дата обращения: 06.05.24)

4. Classification of Emotional States from EEG Signals Using Machine Learning Techniques. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02540-3 (Дата обращения: 06.05.24)

5. EEG-Based Emotion Recognition using Hybrid Deep Learning Models. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02539-8 (Дата обращения: 06.05.24)

6. Deep Learning for EEG-Based Emotion Recognition: A Review. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02538-6 (Дата обращения: 06.05.24)

7. Emotion Recognition from EEG Signals using Convolutional Neural Networks. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02537-7 (Дата обращения: 06.05.24)

8. EEG-Based Emotion Recognition using Recurrent Neural Networks. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02536-8 (Дата обращения: 06.05.24)

9. Emotion Recognition from EEG Signals using Support Vector Machines. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02535-9 (Дата обращения: 06.05.24)

10. EEG-Based Emotion Recognition using Genetic Algorithms. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02534-w (Дата обращения: 06.05.24)

11. Emotion Recognition from EEG Signals using Deep Belief Networks. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02533-x (Дата обращения: 06.05.24)

12. EEG-Based Emotion Recognition using Wavelet Transform. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02532-y (Дата обращения: 06.05.24)

13. Emotion Recognition from EEG Signals using Random Forests. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02531-z (Дата обращения: 06.05.24)

14. EEG-Based Emotion Recognition using Principal Component Analysis. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02530-1 (Дата обращения: 06.05.24)

15. Emotion Recognition from EEG Signals using Deep Autoencoders. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02529-6 (Дата обращения: 06.05.24)

16. EEG-Based Emotion Recognition using Independent Component Analysis. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02528-7 (Дата обращения: 06.05.24)

17. Emotion Recognition from EEG Signals using Ensemble Methods. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02527-8 (Дата обращения: 06.05.24)

18. EEG-Based Emotion Recognition using Sparse Coding. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02526-9 (Дата обращения: 06.05.24)

19. Emotion Recognition from EEG Signals using Hidden Markov Models. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02525-w (Дата обращения: 06.05.24)

20. EEG-Based Emotion Recognition using Gaussian Mixture Models. Режим доступа: https://link.springer.com/article/10.1007/s42979-023-02524-x (Дата обращения: 06.05.24)