1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Магістр
  4. 163 — біомедична інженерія
Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/50414
Назва: Інтелектуальна система визначення часових показників відновлення психоемоційного стану людини за ЕЕГ-сигналами у медичній практиці
Інші назви: Intelligent System for Determining Time Indicators of Recovery of a Person's Psychoemotional State Using EEG Signals in Medical Practice
Автори: Карабіненко, Юлія Олександрівна
Karabinenko, Yuliia
Приналежність: Тернопільський національний технічний університет імені Івана Пулюя
Ternopil Ivan Puluj National Technical University
Бібліографічний опис: Карабіненко Ю.О. Інтелектуальна система визначення часових показників відновлення психоемоційного стану людини за ЕЕГ-сигналами у медичній практиці : робота на здобуття кваліфікаційного ступеня магістра : спец. 163 - біомедична інженерія / наук. кер. М. О. Хвостівський. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2025. 98 с.
Дата публікації: 15-гру-2025
Дата подання: гру-2025
Дата внесення: 16-гру-2025
Видавництво: Тернопільський національний технічний університет імені Івана Пулюя
Країна (код): UA
Місце видання, проведення: Тернопільський національний технічний університет імені Івана Пулюя, кафедра біотехнічних систем
Науковий керівник: Хвостівський, Микола Орестович
Khvostivskyi, Mykola
Члени комітету: Яворський, Богдан Іванович
УДК: 612.821.6
612.821.7
519.246.8
004.42
Теми: 163
біомедична інженерія
ЕЕГ-сигнал
психоемоційний стан
вейвлет-перетворення
локальна енергія
інтелектуальна система
момент відновлення
Matlab
EEG signal
psycho-emotional state
wavelet transform
local energy
intelligent system
recovery moment
Діапазон сторінок: 98
Короткий огляд (реферат): В роботі представлено метод та інтелектуальну систему визначення часових показників відновлення психоемоційного стану людини за електроенцефалографічними сигналами у медичній практиці. Проведено огляд сучасних методів аналізу ЕЕГ для оцінки станів стресу, когнітивного навантаження та відновлення. Розроблено математичну модель ЕЕГ-сигналу, що відтворює фази спокою, навантаження та відновлення. Запропоновано метод визначення моменту відновлення на основі неперервного вейвлет-перетворення, нормування локальної енергії ритмів мозку та порогового критерію стабілізації. Реалізовано програмне забезпечення інтелектуальної системи у середовищі Matlab, що забезпечує автоматизоване визначення часових показників відновлення за експериментальними ЕЕГ-даними. Наведено результати практичної апробації методу, які підтверджують можливість точного визначення моменту повернення мозкової активності до базових значень після психоемоційного навантаження. Розроблена інтелектуальна система може бути використана для оцінки стресостійкості лікарів під час симуляційних випробувань, професійного відбору та контролю функціонального стану в реальному часі.
The work presents a method and an intelligent system for determining the time indicators of recovery of a person’s psycho-emotional state based on electroencephalographic signals in medical practice. A detailed review of modern EEG analysis methods for assessing emotional stress, cognitive load and recovery processes is conducted. A mathematical model of the EEG signal is developed to simulate phases of rest, stress load and recovery. The proposed method determines the recovery moment using continuous wavelet transform, normalized local energy of brain rhythms and a threshold stability criterion. The intelligent system is implemented in the Matlab environment and provides automatic detection of recovery time based on experimental EEG data. The obtained results demonstrate the effectiveness of the method and confirm the possibility of accurately determining the time of stabilization of brain activity after psychoemotional stress. The developed system can be applied to assess the stress resilience of medical specialists during simulation-based examinations, professional selection, and realtime monitoring of functional state.
Опис: Кваліфікаційна робота виконана на кафедрі біотехнічних систем Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 22.12.2025 р. о 12.00 на засіданні ЕК № 26.
Зміст: ВСТУП 9 РОЗДІЛ 1. ОГЛЯД ЛІТЕРАТУРИ ТА СУЧАСНИХ ПІДХОДІВ ДО ОЦІНКИ ПСИХОЕМОЦІЙНОГО СТАНУ ЗА ЕЕГ-СИГНАЛАМИ 12 1.1 Психоемоційний стан людини: визначення, фізіологічні та нейрофізіологічні аспекти 12 1.2 Використання електроенцефалографії у медичній практиці 14 1.3 Сучасні методи аналізу ЕЕГ для оцінки психоемоційних станів 18 1.3.1 Частотний аналіз 19 1.3.2 Часово‐ частотний аналіз 20 1.3.3 Нелінійний аналіз 21 1.3.4 Асиметрія фронтальної активності 23 1.3.5 Функціональна зв’язність і мережевий аналіз 24 1.3.6 Прогнозування часу відновлення через машинне та глибоке навчання 26 1.3.7 Порівняльна таблиця методів та діагностичних показників 26 1.4 Висновки до розділу 1 28 РОЗДІЛ 2 ТЕОРЕТИЧНІ ОСНОВИ РОЗРОБКИ МЕТОДУ ВИЗНАЧЕННЯ ЧАСОВИХ ПОКАЗНИКІВ ВІДНОВЛЕННЯ ПСИХОЕМОЦІЙНОГО СТАНУ 30 2.1 Математична модель ЕЕГ-сигналу при психоемоційному навантаженні 30 2.1.1 Випадкова основа сигналу ЕЕГ-сигналу 30 2.1.2 Поділ сигналу на часові інтервали 31 2.1.3 Фільтрація стохастичної основи 31 2.1.4 Амплітудна огинаюча ЕЕГ-сигналу 33 2.1.5 Остаточна модель ЕЕГ-сигналу 35 2.1.6 Інтерпретація результатів моделювання 38 2.1.7 Переваги такого моделювання ЕЕГ-сигналу 39 2.2 Метод визначення часових показників відновлення психоемоційного стану людини 39 2.2.1 Параметри сигналу та виділення функціональних зон 39 2.2.2 Виділення ритмів мозку 40 2.2.3 Локальна енергія через неперервне вейвлет-перетворення 42 2.2.4 Неперервне вейвлет-перетворення сигналу 43 2.2.5 Локальна енергія на часово-масштабній площині 43 2.2.6 Інтегральна енергія на масштабі 44 2.2.7 Енергія ритмів у часовій області 44 2.2.8 Обґрунтування вибору материнського вейвлета 45 2.2.9 Фізичний зміст локальної енергії 46 2.2.10 Нормування та пороговий критерій 46 2.2.11 Визначення моменту відновлення 52 2.3 Алгоритм визначення часових показників відновлення психоемоційного стану людини 53 2.4 Висвновки до розділу 2 57 РОЗДІЛ 3. ПРОГРАМНЕ ЗАБЕЗПЕЧЕННЯ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ ВИЗНАЧЕННЯ ЧАСОВИХ ПОКАЗНИКІВ ВІДНОВЛЕННЯ ПСИХОЕМОЦІЙНОГО СТАНУ ЛЮДИНИ 59 3.1 Розробка програмного забезпечення інтелектуальної системи для обробки ЕЕГ-сигналів 59 3.1.1 Підготовка робочого середовища MATLAB 59 3.1.2 Завдання параметрів сигналу та завантаження ЕЕГ-даних 59 3.1.3 Візуалізація сирого ЕЕГ-сигналу 60 3.1.4 Реалізація ковзного вейвлет-аналізу ЕЕГ-сигналу 61 3.1.5 Процедура нормування енергетичних характеристик 62 3.1.6 Автоматизоване визначення моменту відновлення психоемоційного стану 62 3.1.7 Візуалізація нормованих енергетичних характеристик 63 3.1.8 Побудова інтегрального нормованого сигналу 63 3.2 Результати визначення часових показників відновлення психоемоційного стану людини за ЕЕГ-сигналами 64 3.3 Висновки до розділу 3 69 РОЗДІЛ 4. ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 71 4.1 Охорона праці 71 4.2 Безпека в надзвичайних ситуаціях 74 4.3 Висновки до розділу 4 78 ЗАГАЛЬНІ ВИСНОВКИ 79 ПЕРЕЛІК ПОСИЛАНЬ 80 ДОДАТКИ 84 ДОДАТОК А. Теза конференції 85 ДОДАТОК Б. Скрипт ПЗ інтелектуальної системи визначення часових показників відновлення психоемоційного стану людини за ЕЕГ-сигналами 94
URI (Уніфікований ідентифікатор ресурсу): http://elartu.tntu.edu.ua/handle/lib/50414
Власник авторського права: © Карабіненко Юлія Олександрівна, 2025
Перелік літератури: 1. Lim R.Y., Lew W.-C.L., Ang K.K. Review of EEG Affective Recognition with a Neuroscience Perspective. Brain Sciences. 2024; 14(4): 364. DOI: 10.3390/brainsci14040364.
2. Suhaimi N.S., Mountstephens J., Teo J. EEG-Based Emotion Recognition: A State-of-the-Art Review of Current Trends and Opportunities. Computational Intelligence and Neuroscience. 2020; 2020: 8875426. DOI: 10.1155/2020/8875426.
3. Zhengping Li, Hongsheng Xia, Lijun Wang. A Review of Emotion Recognition Based on EEG Signals. American Journal of Biomedical Science & Research. 2022; 16(4). DOI: 10.34297/AJBSR.2022.16.002258.
4. McInnes A., Sung B., Hooshmand R. A Practical Review of Electroencephalography’s Value to Consumer Research. // International Journal of Market Research. – 2022. – Vol. 65, No. 5. – P. 147078532211126. DOI: 10.1177/14707853221112622.
5. Wijaya A., Setiawan N. A., Hayati A., Zakaria R., Othman Z. Electroencephalography and Mild Cognitive Impairment Research: A Scoping Review and Bibliometric Analysis (ScoRBA). // Journal of Alzheimer’s Disease Reports. – 2022. – Vol. 6. – P. 197–214. DOI: 10.3233/ADR220027
6. Lim R. Y., Lew W.-C. L., Ang K. K. Review of EEG Affective Recognition with a Neuroscience Perspective. // Brain Sciences. – 2024. – Vol. 14(4). – Art. 364. DOI: 10.3390/brainsci14040364.
7. Sun Y., Wei C., Cui V., Xiu M., Wu A. Electroencephalography: Clinical Applications During the Perioperative Period. // Frontiers in Medicine (Lausanne). – 2020. – Vol. 7. – Art. 251. DOI: 10.3389/fmed.2020.00251.
8. Ma W., et al. A Comprehensive Review of Deep Learning in EEG-based Emotion Recognition. // PeerJ Computer Science. – 2024. – Art. №2065. DOI: 10.7717/peerj-cs.2065.
9. Li X. , Zhang Y., Tiwari P., Song D. , Hu B. et al. EEG based Emotion Recognition: A Tutorial and Review. ACM Computing Surveys. 2022; 55(4). DOI: 10.1145/3524499.
10. Kumar, H., Puthankattil, S. D., & Swaminathan, R. Classification of Emotional States Using EEG Signals and Wavelet Packet Transform Features // Studies in Health Technology and Informatics. 2022. DOI: 10.3233/SHTI220632.
11. T. Gandhi, et al. A comparative study of wavelet families for EEG signal analysis. Neurocomputing. 2011; 74(17):2980-2987.
12. Klonowski W. (2023). Nonlinear dynamics and entropy methods in EEG signal analysis: Theory and applications. Frontiers in Neuroscience, 17, 112233. https://doi.org/10.3389/fnins.2023.112233.
13. Patel P., Raghunandan R., Annavarapu R. N. (2021). EEG-based human emotion recognition using entropy as a feature extraction measure. Brain Informatics, 8(1), 20. https://doi.org/10.1186/s40708-021-00141-5.
14. Liu H., Zhang Y., Li Y. (2021). Nonlinear analysis of EEGs of patients with major depression during emotional processing. Frontiers in Human Neuroscience, 15, Article 734828. https://doi.org/10.3389/fnhum.2021.734828.
15. Avramidis C., Zlatintsi A., Garoufis C., Maragos P. (2020). Multiscale fractal analysis on EEG signals for music-induced emotion recognition. arXiv preprint arXiv:2006.05735. https://arxiv.org/abs/2006.05735.
16. Acharya U. R., Sudarshan V. K., Oh S. L., et al. (2018). Automated EEG-based screening of depression using entropies and fractal dimension features. Brain Informatics, 5(1), 4. https://doi.org/10.1186/s40708-017-0072-6.
17. Haehl W, Mirifar A, Luan M, Beckmann J. Dealing with failure: Prefrontal asymmetry predicts affective recovery and cognitive performance. Biol Psychol. 2020 Sep;155:107927. doi: 10.1016/j.biopsycho.2020.107927. Epub 2020 Jul 1. PMID: 32621849.
18. Ma W., et al. A Comprehensive Review of Deep Learning in EEG-based Emotion Recognition. PeerJ Computer Science. 2024; (арт. №…). DOI: 10.7717/peerj-cs.2065.
19. Khvostivskyi M., Kirash V., Khvostivska L., Karabinenko Yu. Method and algorithm of window wavelet processing of photopletysmographic signal in the Mayer basis as a tool for diagnostic arrhythmias. Collection of Scientific Papers with the Proceedings of the 3rd International Scientific and Practical Conference «Modern Problems of Science and Technology» (September 22-24, 2025, Tallinn, Estonia). European Open Science Space, 2025. p.142-147. DOI: 10.70286/eoss-22.09.2025.004. ISBN 979-8-89704-951-6.
20. Khvostivska L., Khvostivskyi M., Dediv I. Mathematical, algorithmic and software support for signals wavelet detection in electronic communications. Proceedings of the 2nd International Workshop on Computer Information Technologies in Industry 4.0 (CITI 2024). CEUR Workshop Proceedings. Ternopil, Ukraine, June 14-16, 2024. Vol. 3742. P.223-234. ISSN 1613-0073.
21. Khvostivskyi M., Bilinchuk M. Method and algorithm for wavelet detection of fetal ECG signal against interferences in the Morlet basis. Collection of Scientific Papers with the Proceedings of the 2nd International Scientific and Practical Conference «Modern Perspectives on Global Scientific Solutions» (December 2-4, 2024. Bergen, Norway). European Open Science Space, 2024. P.262-265.
22. Khvostivskyy M.О., Pankiv I.M., Fuch O.V., Khvostivska L.V., Boyko R.R., Dunetc V.L., Kartashov V.V. Method and Algorithm of Electroencephalographic Signals Processing in Computer Medical Diagnostic Systems for Human Psychoemotional Indicators Detection. Visnyk NTUU KPI Seriia - Radiotekhnika Radioaparatobuduvannia, (91), pp. 63-71. DOI: 10.20535/RADAP.2023.91.63-71.
23. Khvostivskyy M., Khvostivska L., Boyko R. Software, mathematical and algorithmic tools for the computer electroencephalography system of humans epilepsy manifestations detecting. Visnyk NTUU KPI Seriia – Radiotekhnika Radioaparatobuduvannia. 84 (Mar. 2021). P. 66–77. Doi: https://doi.org/10.20535/RADAP.2021.84.66-77.
24. Hvostivska L. V., Osukhivska H. M., Hvostivskyy M. O., Shadrina H. M., Dediv I. Yu. Development of methods and algorithms for a stochastic biomedical signal period calculation in medical computer diagnostic systems. Visnyk NTUU KPI Seriia – Radiotekhnika Radioaparatobuduvannia. (79). P. 78–84. https://doi.org/10.20535/RADAP.2019.79.78-84.
25. Dudar T., Khvostivskyi M., Uniyat S. Algorithmical and Software Processing of PCG-signals for Diagnosing Stenosis of the Aortic Valve of the Heart. The 11th International scientific and practical conference “Integration of science as a mechanism of effective development” (November 28 - December 01, 2023) Helsinki, Finland. International Science Group. 2023. p.384-388. ISBN 979-8-89238-623-4. DOI: 10.46299/ISG.2023.2.11.
26. Математичне та комп’ютерне моделювання електрокардіосиґналів у системах голтерівського моніторинґу / Л.Є. Дедів, А.С. Сверстюк, І.Ю. Дедів, М.О. Хвостівський, В.Г. Дозорський, Є.Б. Яворська. Львів: Видавництво «Магнолія - 2006», 2021. 120 с.
27. Хвостівcька Л.В., Казьмірів В.В., Ремез А.В. Вейвлет обробка радіосигналів для задачі їх виявлення на фоні завад. ⅩⅠ Міжнародна науковопрактична конференція молодих учених та студентів „Актуальні задачі сучасних технологій“, 7-8 грудня 2022 року. Т. : ТНТУ, 2022. С. 119–120.
28. Хвостівський М.О., Яворська Є.Б. Методичні рекомендації з оформлення кваліфікаційних робіт магістра за спеціальністю 163 Біомедична інженерія. Тернопіль: ТНТУ імені Івана Пулюя, 2020. 23 с. 20. Хвостівський М.О., Яворська Є.Б. Методичні рекомендації з оформлення кваліфікаційних робіт магістра за спеціальністю 163 Біомедична інженерія. Тернопіль: ТНТУ імені Івана Пулюя, 2023. 57 с.
29. Хвостівська Л.В. Імітаційна модель пульсового сигналу судин людини. Вісник Хмельницького національного університету. Технічні науки. 2016. № 2. С.94- 100. (індексується у Index Copernicus, Google Scholar, Polish Scholarly Bibliography). – розроблення математичного, алгоритмічного та програмного забезпечення для імітування пульсового сигналу судин людини.
Тип вмісту: Master Thesis
Розташовується у зібраннях:163 — біомедична інженерія

Файли цього матеріалу:
Файл Опис РозмірФормат 
Karabinenko_Yu_O_RBmd-61.pdf4,47 MBAdobe PDFПереглянути/відкрити
Показати повний опис матеріалу Перегляд статистики


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.

Інструменти адміністратора