koz"Вестник Северо-Казахстанского университета имени Манаша Козыбаева"Bulletin of Manash Kozybayev North Kazakhstan University2958-003X2958-0048М. Қозыбаев атындағы СҚУ10.54596/2958-0048-20206-3-262-271koz-2655Research ArticleТЕХНИЧЕСКИЕ НАУКИTECHNICAL SCIENCESМЕТОДЫ ЦИФРОВОЙ ОБРАБОТКИ СИГНАЛОВ ЭЭГ И МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОЦЕНКИ КОГНИТИВНЫХ СОСТОЯНИЙ ЧЕЛОВЕКАMETHODS OF DIGITAL EEG PROCESSING AND MACHINE LEARNING FOR ASSESSING HUMAN COGNITIVE STATEShttps://orcid.org/0009-0004-3758-481XИбраеваМ. А.IbrayevaM. A.

Петропавловск

graduate student, Department of Energetics and Radioelectronics

Petropavlovsk

moldir.ibrayeva1801@gmail.comhttps://orcid.org/0000-0003-1877-383XГерасимоваЮ. В.GerasimovaY. V.

Петропавловск

corresponding author, Associate Professor of the Department of Energetics and Radioelectronics

Petropavlovsk

julyvic@mail.ruНАО «Северо-Казахстанский университет имени Манаша Козыбаева»КазахстанManash Kozybayev North Kazakhstan University NPLCKazakhstan20263009202603 (71)262271Copyright © Ибраева М.А., Герасимова Ю.В., 20262026Ибраева М.А., Герасимова Ю.В.Ibrayeva M.A., Gerasimova Y.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.ku.edu.kz/jour/article/view/2655

В статье рассматриваются методы цифровой обработки электроэнцефалографических сигналов и алгоритмы машинного обучения, применяемые для оценки когнитивных состояний человека на основе открытого набора ЭЭГ-данных. Электроэнцефалография является одним из наиболее информативных неинвазивных методов исследования функциональной активности головного мозга, однако анализ ЭЭГ-сигналов осложняется низким отношением сигнал/шум, межиндивидуальной вариативностью и наличием артефактов различной природы.

Исследование выполнено с использованием открытого набора ЭЭГ-данных, зарегистрированных при выполнении когнитивных задач, связанных с креативным мышлением. Программный конвейер обработки включает этапы полосовой и режекторной фильтрации, подавления артефактов, спектрального анализа в стандартных частотных диапазонах, а также анализа функциональной связности на основе метрик фазовой синхронизации. На основе полученных характеристик формируется вектор признаков, используемый для классификации когнитивных состояний с применением методов машинного обучения.

Экспериментальные результаты показывают, что комбинирование спектральных и функционально связанных признаков позволяет повысить точность классификации когнитивных состояний по сравнению с использованием только спектральных характеристик. Полученные результаты подтверждают перспективность применения методов цифровой обработки ЭЭГ и машинного обучения для автоматизированной оценки когнитивных состояний человека.

This paper presents methods of digital processing of electroencephalographic (EEG) signals and machine learning algorithms for assessing human cognitive states based on an open-access EEG dataset. Electroencephalography is a widely used non-invasive technique for studying brain functional activity due to its high temporal resolution. However, EEG signal analysis is challenged by low signal-to-noise ratio, inter-subject variability, and the presence of artifacts, which necessitates the use of advanced digital signal processing methods.

The study employs an open EEG dataset recorded during the performance of cognitive tasks associated with creative thinking. The proposed processing pipeline includes band-pass and notch filtering, artifact suppression, spectral analysis in standard frequency bands, and functional connectivity analysis based on phase synchronization metrics. Spectral and connectivity features are combined to form an informative feature space for machine learning-based classification of cognitive states.

Experimental results demonstrate that the joint use of spectral characteristics and functional connectivity measures improves classification accuracy compared to the use of spectral features alone. The obtained results confirm the effectiveness of digital EEG processing and machine learning methods for automated assessment of cognitive states and highlight their potential for further development of real-time cognitive monitoring systems.

электроэнцефалографиякогнитивные состоянияцифровая обработка сигналовфункциональная связностьмашинное обучениеEEGcognitive statesdigital signal processingfunctional connectivitymachine learningReferencesМутикумар Н., Раджендран Н., Сринивасан Р. Недавние достижения в обработке сигналов электроэнцефалографии (ЭЭГ): обзор методов и приложений // Сенсоры. – 2023. – Т. 23, № 16. – С. 6434. DOI: 10.3390/s23166434.Mutikumar, T., Rajendran, N., & Srinivasan, R. (2023). Recent advances in electroencephalography (EEG) signal processing: A review of methods and applications. Sensors, 23(16), 6434. https://doi.org/10.3390/s23166434Финк А., Бенедек М. Мощность альфа-ритма ЭЭГ и креативная идеация // Нейронаука и биоповеденческие обзоры. – 2014. – Т. 44. – С. 111–123.Fink, A., & Benedek, M. (2014). EEG alpha power and creative ideation. Neuroscience and Biobehavioral Reviews, 44, 111–123.Халеги Н., Хашеми Ш., Пейванди М., Зафарманди Ардабили С., Бехджати М., Шейхиванд С., Данишвар С. Анализ функциональной связности ЭЭГ при аномалиях головного мозга: систематический обзор // Информатика в медицине: открытый доступ. – 2024. – Т. 47. – С. 101476.Khaleghi, N., Hashemi, S., Peyvandi, M., Zafarmandi Ardabili, S., Behjati, M., Sheikhivand, S., & Danishvar, S. (2024). EEG functional connectivity analysis in brain disorders: A systematic review. Informatics in Medicine Unlocked, 47, 101476.Стивенс К. Э., Забелина Д. Л. Классификация креативности: применение методов машинного обучения к ЭЭГ-данным дивергентного мышления // Нейроизображение. – 2020. – Т. 219. – С. 116990.Stevens, C. E., & Zabelina, D. L. (2020). Creativity classification: Applying machine learning methods to EEG data of divergent thinking. NeuroImage, 219, 116990.Зангене Соруш М., Чжао М., Цзя В., Цзэн Я. Исходные ЭЭГ-записи креативного мышления в задачах проектирования (модифицированный тест креативности Торренса TTCT-F). – 2023.Zangeneh Soroush, M., Zhao, M., Jia, W., & Zeng, Y. (2023). Raw EEG recordings of creative thinking in design tasks (modified Torrance Tests of Creative Thinking, TTCT-F).Халеги Н., Хашеми Ш., Пейванди М., Ардабили С.З., Бехджати М., Шейхиванд С., Данишвар С. Анализ функциональной связности ЭЭГ при аномалиях головного мозга: систематический обзор // Информатика в медицине: открытый доступ. – 2024. – Т. 47. – С. 101476.Khaleghi, N., Hashemi, S., Peyvandi, M., Zafarmandi Ardabili, S., Behjati, M., Sheikhivand, S., & Danishvar, S. (2024). EEG functional connectivity analysis in brain disorders: A systematic review. Informatics in Medicine Unlocked, 47, 101476.Се В., Толл Р. Т., Нельсон Ч. А. Анализ функциональной связности ЭЭГ в пространстве источников // Развивающая когнитивная нейронаука. – 2022. – Т. 56. – С. 101119.Xie, W., Toll, R. T., & Nelson, C. A. (2022). Source-space EEG functional connectivity analysis. Developmental Cognitive Neuroscience, 56, 101119.Ромингер К., Папоушек И., Перхтольд К. М., Бенедек М., Вайс Э. М., Вебер Б., Швердтфегер А. Р., Эглофф Б., Финк А. Функциональная связность мозговых сетей во время генерации и разработки креативных идей//NeuroImage. – 2020. – Т. 207. – С. 116395. DOI: 10.1016/j.neuroimage.2019.116395.Rominger K., Papousek I., Perchtold C. M., Benedek M., Weiss E. M., Weber B., Schwerdtfeger A. R., Egloff B., Fink A. Functional connectivity of brain networks during the generation and elaboration of creative ideas // NeuroImage. – 2020. – Vol. 207. – P. 116395. DOI: 10.1016/j.neuroimage.2019.116395.

The authors declare that there are no conflicts of interest present.