Алгоритм аппроксимации сигналов для классификации электроэнцефалограмм человека

Рассматривается актуальная проблема, связанная с классификацией электроэнцефалограмм (ЭЭГ). Возникающий шум в сигналах, обусловленный разнообразными факторами, препятствует эффективному анализу и интерпретации данных. Основной целью исследования является анализ эффективности алгоритма аппроксимации сигналов с применением вейвлет-техники с последующим кусочно-постоянным представлением сигнала, которое применяется для классификации сигналов сверточной нейронной сетью. Проведено сравнение точности классификации предложенного алгоритма с фильтром низких частот при различных частотах среза. Одним из ключевых результатов исследования является двухэтапный подход к обработке сигналов. На первом этапе модель обучается на необработанных данных, а за-тем применяется обученное ядро свертки с наибольшей дисперсией в качестве материнской функции для кусочно-постоянного представления сигнала – так решается проблема выбора материнской функции. Этот подход направлен на усиление информативных компонентов в сигнале. Второй этап обработки представляет собой применение предложенного алгоритма аппроксимации после свертки, что дополняет первый этап, создавая комплексный метод, который не только эффективно снижает уровень шумов в данных, но также обладает высоким потенциалом для улучшения общей точности в решении задач классификации ЭЭГ-сигналов. Таким образом, в работе получены важные практические и теоретические результаты, в перспективе возможно применение предложенного метода в области анализа сигналов.