Математические модели и методы выделения, классификации и исследования паттернов в сигналах геофизической и нейрофизиологической природы тема диссертации и автореферата по ВАК РФ 05.13.18, доктор физико-математических наук Руннова, Анастасия Евгеньевна

  • Руннова, Анастасия Евгеньевна
  • доктор физико-математических наукдоктор физико-математических наук
  • 2019, СаратовСаратов
  • Специальность ВАК РФ05.13.18
  • Количество страниц 350
Руннова, Анастасия Евгеньевна. Математические модели и методы выделения, классификации и исследования паттернов в сигналах геофизической и нейрофизиологической природы: дис. доктор физико-математических наук: 05.13.18 - Математическое моделирование, численные методы и комплексы программ. Саратов. 2019. 350 с.

Оглавление диссертации доктор физико-математических наук Руннова, Анастасия Евгеньевна

Оглавление

Введение

1 Обзор особенностей экспериментальных сигналов, регистрируемых в сейсмогеологических и нейрофизиологических системах со сти-мульным воздействием

1.1 Введение

1.2 Регистрация сигналов в наземной сейсмической разведке

1.3 Регистрация электроэнцефалографических сигналов головного мозга человека неинвазивным методом

1.4 Выводы по главе 1

2 Разработка математической модели выделения и классификации паттернов в многоканальных сигналах экспериментальной природы

2.1 Введение

2.2 Математическое моделирование паттернов многоканальных сигналов экспериментальной природы

2.3 Применение разработанной модели для исследования экспериментальных систем

2.3.1 Исследование активного восприятия зрительного стимула человеком

2.3.1.1 Описание схемы экспериментальной работы

2.3.1.2 Исследование электрической активности мозга человека на электроэнцефалографических сигналах человека при восприятии зрительного стимула

2.3.2 Применение математической модели к выявлению паттернов различной волновой природы на сигналах наземной сейсмической разведки

2.3.2.1 Описание регистрации экспериментальных сигналов

2.3.2.2 Описание геофизических методов исследования участков земной коры

2.3.2.3 Обработка экспериментальных сигналов в рамках разработанной математической модели

2.4 Выводы по главе 2

3 Математическое моделирование когнитивного шума человека при восприятии бистабильных изображений

3.1 Введение

3.2 Математическое моделирование зрительного восприятия биста-бильного объекта

3.3 Интерпретация результатов экспериментальных работ по восприятию бистабильного изображения в рамках разработанной математической модели

3.4 Изучение влияния дополнительных внешних стимулов (аудиаль-ных, визуальных, когнитивных и социальных) на восприятие неоднозначного объекта

3.5 Выводы по главе 3

4 Адаптация математического аппарата непрерывного вейвлетного преобразования к особенностям экспериментальных сигналов геофизической природы, регистрируемых при проведении наземной сейсмической разведки

4.1 Введение

4.2 Использование аналитических базисов НВП при исследовании экспериментальных сигналов геофизической природы

4.3 Математический метод построения адаптивного численного вейвлетного базиса на основе паттернов экспериментальных сигналов

4.4 Точность определения паттернов на основе непрерывного вейвлетного преобразования с различными базисами

4.5 Выводы по главе 4

5 Развитие математических методов удаления мощных регулярных помех и артефактов в сложных экспериментальных сигналах нейрофизиологической и сейсмогеологической природы

5.1 Введение

5.2 Разработка метода удаления помех и артефактов на экспериментальных сигналах геофизической и нейрофизиологической природы

5.2.1 Математический аппарат вейвлетного преобразования в задачах удаления помех на нестационарных сигналах геофизической и нейрофизиологической природы

5.2.2 Математический аппарат преобразования Гильберта-Хуанга в задачах удаления помех на нестационарных сигналах геофизической и нейрофизиологической природы

5.2.3 Разработка математического метода удаления помех на основе комбинации вейвлетных преобразований и преобразования Гильберта-Хуанга

5.3 Удаление помех для сигналов геофизической природы

5.3.1 Удаление волн-помех звукового и поверхностного типа в рамках применения методов ДВП

5.3.2 Удаление волн-помех звукового и поверхностного типа в рамках применения комбинированного метода

5.4 Удаление помех и артефактов методом на основе ПГХ и НВП в сигналах нейрофизиологической природы

5.5 Выводы по главе 5

6 Исследование экспериментальных данных активности головного мозга человека при подготовке к двигательному акту кисти руки

6.1 Введение

6.2 Описание схемы экспериментальной работы

6.2.1 Описание группы испытуемых

6.2.2 Описание сценария экспериментальной работы

6.3 Исследование электрической активности головного мозга в группах условно здоровых испытуемых и пациентов с нарушениями кровообращения

6.3.1 Характерные особенности ЭЭГ- активности головного мозга во время фоновых записей

6.3.2 Характерные особенности особенности ЭЭГ-активности головного мозга во время двигательной активности

6.3.3 Метод численной оценки характерных пространственных особенностей ЭЭГ-активности головного мозга во время планирования двигательной активности

6.4 Выводы по главе 6

7 Разработка комплексов проблемно-ориентированных программ

7.1 Введение

7.2 Программный комплекс для автоматизированного удаления помех и артефактов в больших объемах экспериментальных сигналов248

7.2.1 Работа программы в режиме реального времени (режим "Online")

7.2.2 Работа программы автономном режиме (режим "Offline")

7.3 Программные комплексы для выделения и классификации паттернов в многоканальных экспериментальных сигналах различной природы

7.3.1 Программный комплекс выделения и классификации паттернов в экспериментальных сигналах геофизической природы

7.3.2 Программный комплекс выделения и классификации паттернов в экспериментальных сигналах нейрофизиологической природы

7.4 Выводы по главе 7

Заключение

Список использованной литературы

Приложение А

Приложение Б

Приложение В

Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Введение диссертации (часть автореферата) на тему «Математические модели и методы выделения, классификации и исследования паттернов в сигналах геофизической и нейрофизиологической природы»

Введение

Актуальность работы. В последние десятилетия развитие новых методов цифровой обработки и анализа приобретает большую важность в областях как естественных, так и социальных наук, непосредственно опирающихся на анализ и изучение больших объемов плохо структурированных экспериментальных данных [1-13]. Как пример подобных отраслей современной науки можно привести геофизику [6,14-20] и нейронауку [9-13,21-38]. В этих сферах естественных наук сегодня активно развиваются новые методы и подходы к цифровой обработке сигналов, в том числе в реальном времени [39-47]. Сегодня уровень развития данных отраслей естественных наук позволяет исследователям ставить новые задачи в отношении качественного и количественного анализа сложных многокомпонентных нестационарных сигналов, решение которых ранее было невозможным [15-19,21-27,31-37,48-62]. Подобный прогресс обусловлен, во-первых, наращиванием мощности вычислительной техники, как в плане возрастания количественного быстродействия, так и разработки качественно новых технологий параллельных вычислений и т. д. [43,63,64]. Во-вторых, происходит развитие и адаптация к прикладным задачам аппарата математического моделирования и численных методов обработки данных [34,35,57-59,61,65-74]. В-третьих, необходимо отметить важный аспект современного развития технологии проведения экспериментальных и прикладных исследований - развития технических возможностей цифровой регистрации высококачественных сигналов высокой степени дис-

кретизации и усиления [59,75-89]. Успехи современной цифровой измерительной аппаратуры позволяет получать от изучаемых реальных систем большие массивы длительных сигналов, являющихся сложной композицией нестационарных процессов различной природы возникновения, близких по своим колебательным (или волновым) характеристикам. На сегодня одним из подходов к анализу подобных сигналов является метод выделения из большого объёма регистрируемых сложных сигналов характерных локальных особенностей, заключенных на коротких временных интервалах, анализа которых было бы достаточно для идентификации и классификации соответствующих процессов в изучаемой реальной системе [90-100]. В современной литературе подобные короткие временные интервалы, содержащие достаточную информацию для математического описания системы, традиционно именуются "паттерны" [54,90,91,101-103].

Необходимо отметить, что несмотря на разный характер регистрируемых сигналов, можно выделить несколько общих характеристик, присутствующих в геофизических и нейрофизиологических данных, в частности:

• регистрация многомерных сигналов, ведущаяся одновременно по целому набору каналов (датчиков);

• полезный сигнал представляет собой регистрацию нестационарного процесса, близкого к шумовому;

• присутствие шумов, мощных помех и артефактов при регистрации;

• регистрация производится при стимульном воздействии.

Отметим, что под стимульным воздействием понимается такая организация экспериментальной работы, при которой изучается отклик системы на некоторое воздействие или стимул. Для рассматриваемых геофизических сигналов подобным стимулом является возбуждение сейсмических колебаний

в пассивной сейсмогеологической среде земной коры. Для нейрофизиологических исследований под стимульным воздействием понимается предъявление человеку (испытуемому) определённого объекта, или подача команды, или выполнение какого-то действия, при этом все остальные воздействия на испытуемого должно быть исключены или сведены к минимальным. В данных системах исследование сигналов, регистрируемых во время отклика на стимульное воздействие, позволяет выявить основные закономерности процессов в экспериментальных объектах и восстановить их внутреннюю структуру. Решению задач по исследованию динамики реальных систем в вопросах выделения и анализа паттернов, а также разработки математических моделей для описания их динамики посвящены работы Bassani T., Daubechiel., CarmonaR., Torresani B., van Luijtelaar G., MorletJ., Астафьевой Н.М., Безручко Б. П., Дремина И.М., Казанцева В. Б., Короновско-го А. А., Павлова А. Н., Пискуна П. В., Постникова Е. Б., Ряшко Л. Б., Храмова А.Е. и др. [92,104-135].

В рамках описываемого подхода поиска и изучения динамики паттернов анализ сложных сигналов экспериментальной природы может быть реализован на базе различного математического инструментария (например, в рамках спектрального анализа [136-142], разложения на независимые компоненты [143-145], статистических методов [129,146,147] и т. д.). Необходимо обратить особое внимание на использование вейвлетных преобразований, являющихся в настоящее время широко применяемым методом анализа нестационарных зашумлённых временных рядов [82,148-170]. Вейвлетный анализ позволяет исследовать тонкие изменения частоты колебательных процессов, регистрируемых в экспериментальных сигналах, являясь устойчивым к выраженной нестационарности процесса и широкой полосе значимого спектра сигнала [153-156,170-172]. Следует также отметить необходимость проведе-

ния в ходе обработки и исследования сигналов экспертных оценок, требующих непосредственного участия высококвалифированных специалистов, что не всегда возможно, и способно внести субъективные искажения в результаты обработки. Этот недостаток присутствует как в задачах обработки сигналов геофизической разведки, так и для аналогичных нейрофизиологических задач.

В области геофизической разведки выделим важный пласт задач, связанных с оперативной экспресс - обработкой получаемых данных. Как известно, сегодня существующие методы моделирования и обработки регистрируемой геофизической информации строятся на многоступенчатых алгоритмах обработки, основанных на использовании дополнительной сей-смогеологической информации и требующих применения мощных вычислительных комплексов в полевых условиях, что практически трудно обеспечить [20,138,173-193].

Также в нейрофизиологии до сих пор недостаточно решены проблемы математического моделирования паттернов электрической активности головного мозга, регистрируемыми методами неинвазивной электроэнцефалографии (ЭЭГ) [21,194-201]. Исследование подобных паттернов, являющихся маркерами различных когнитивных процессов, предоставляет возможность оценки вовлечённости различных зон головного мозга человека в когнитивные процессы, а также определения механизмов протекания различных сознательных и неосознанных мыслительных действий. Сегодня основная часть методов применения математического моделирования (метод вызванных потенциалов, методы построения карт активности головного мозга [99,202-206] и др.) процессов отклика головного мозга на воздействие того или иного стимула требует существенных усреднений сигналов, что неизбежно приводит к утрате информации о тонкой структуре изучаемых сигналов и не позволяет

анализировать динамику каждого уникального паттерна в ходе обучения и адаптации центральной нервной системы.

Таким образом, создание математических моделей и соответствующих методов выявления и классификации паттернов на сложных зашумлённых сигналах нестационарной природы является востребованной задачей в экспериментальных областях естественных наук, в частности, геофизики, нейро-науки и нейрофизиологии. Во-первых, в диссертационной работе для разработки математических моделей используется математический аппарат непрерывного вейвлетного преобразования (НВП) в классической форме и предлагается процедура его адаптации в плане развития методов настройки базиса НВП, позволяющая повысить точность определения искомых паттернов для экспериментальных сигналов геофизической разведки. Во-вторых, при обработке экспериментальных сигналов использованы дискретное вей-влетное преобразование (ДВП) [172,207-212] и преобразование Гильберта-Хуанга [213-219], представляющие собой численные математические инструменты, не имеющие аналитической формы записи.

В то же время, решение данного класса задач затрудняет постоянное присутствие на регистрируемых данных помимо полезного сигнала целого набора различных артефактов и помех, вызванных случайными шумами и высокоинтенсивными регулярными помехами, являющихся результатом регистрации сопутствующих процессов в ходе экспериментальной работы и в области геофизики, и в области нейрофизиологии и нейронауки. Например, запись электрической активности головного мозга в нейрофизиологии и нейронауке помимо полезного сигнала нейронной активности головного мозга осложняется регистрацией различных сторонних физиологических артефактов, например, связанных с движениями глаз, сокращением мышц и т. п. [220-232]. Эти артефакты имеют мощную амплитуду, превышающую

размах полезного сигнала в десятки раз, и широкий диапазон частот (от минимальной спектральной частоты регистрации сигнала и до 8-15 Гц), изменяющийся во времени [220,224,233]. Подобные регулярные помехи сильно меняются от канала к каналу, что усложняет проблему удаления этих артефактов. Например, в медицинских исследованиях фрагменты ЭЭГ, содержащие артефакты, обычно удаляют вручную, что обусловлено высокой степенью моральной и юридической ответственности перед пациентом в случае ошибочной интерпретации данных ЭЭГ. В нейронауке и экспериментальной нейрофизиологии активно используются метод независимых компонент [225-229], регрессионный анализ [230-232] и др. Однако в повседневной практике эти подходы сложно применять из-за высокой вычислительной сложности в комплексе с высоким риском ошибки определения момента появления артефактов.

В геофизической разведке также вызывают интерес задачи удаления мощных помех, связанных, например, с регистрацией звуковых и поверхностных волн [234-236], кратными отражениями [237,238] и т. д. В настоящее время методы цифрового подавления регистрации данных помех основаны на многоканальной обработке сигналов, при которой строится математическая модель распространения волн-помех на базе одновременного анализа изменения паттернов в целом наборе сейсмограмм. Данные методы, несмотря на успешность их применения, требуют одновременного анализа значительного объёма полевого материала (сейсмограмм), т. е. задействуют при обработке набор записей сигналов из всей расстановки каналов (обычно около 100 -150 трасс) [235,238-241], что приводит к необходимости значительных вычислительных мощностей и сложного протокола применения, задействующего экспертные оценки на различных этапах обработки [2,4,40,43-46,69,242-245]. Таким образом, применение подобных методов трудно осуществимо в усло-

виях полевой оперативной обработки, так называемой, экспресс-оценки, с целью определения качества сейсмического материала, адекватности решаемым геолого-геофизическим задачам проводимой разведки.

Таким образом, задача удаления регулярных помех в экспериментальных сигналах описываемой природы на сегодня полностью не решена. В диссертационной работе ставится задача создания численных методов удаления высокоинтенсивных артефактов в одноканальном режиме без задействования экспертных оценок и регистрации дополнительной информации о волнах-помехах, что востребовано в экспресс - обработке полевых материалов сейсмической разведки и в когнитивных исследованиях нейронауки. Применение подобных методик в рамках разработанных математических моделей позволяет повысить общее качество проводимой обработки сигналов для выявления и классификации различных паттернов колебательной активности.

Вышесказанное определило актуальность настоящей работы и следующие из неё цели и задачи.

Целью диссертационной работы является создание методов и математических моделей выделения, классификации и анализа паттернов в за-шумленных сигналах, регистрируемых в реальных системах геофизической и нейрофизиологической природы, обеспечивающих оперативную обработку, автоматизацию данных и повышающую уровень детализации частотно-временной структуры сигналов при анализе динамики исследуемых нестационарных процессов.

Для достижения указанной цели были поставлены и решены следующие задачи.

1. Создание математический модели выделения и классификации паттернов в многоканальных сигналах, регистрируемых в реальных системах геофизической и нейрофизиологической природы.

2. Математическое моделирование и исследование паттернов зрительного восприятия при стимульном воздействии, регистрируемых на ЭЭГ-сиг-налах по каналам, расположенным в проекциях зрительных анализаторов головного мозга человека.

3. Разработка математической модели для качественного и количественного определения уровня когнитивного шума человека в процессе зрительного восприятия визуальных стимулов (бистабильных изображений, допускающих двойственное восприятие).

4. Разработка эффективных математических и численных методов адаптации непрерывного вейвлетного преобразования в целях улучшения эффективности распознавания искомых паттернов на зашумлённых многоканальных сигналах.

5. Разработка эффективных численных методов адаптивного удаления регистрируемых помех и артефактов в многоканальных сигналах с возможностью параллельной поканальной обработки и не требующих регистрации вспомогательных сигналов.

6. Исследование в рамках разработанных моделей паттернов ЭЭГ-актив-ности головного мозга человека в процессе планирования осознанных двигательных актов кистей рук.

7. Создание комплексов проблемно-ориентированных программ на базе разработанных единой системы математического моделирования и эффективных численных методов построения адаптивных базисов НВП, адаптивного удаления помех и артефактов.

Предметом исследования являются паттерны нестационарных многоканальных сигналов, регистрируемых в реальных системах геофизической и нейрофизиологической природы при стимульном воздействии.

Научная новизна полностью соответствует пунктам 1-7 паспорта специальности 05.13.18 и заключается в математическом моделировании паттернов сложных сигналов, создания комплексов программ обработки с улучшенными характеристиками и исследовании закономерностей процессов, вызывающих регистрацию в экспериментах различных паттернов.

1. Разработаны математические модели выделения и классификации характерных паттернов на зашумлённых экспериментальных сигналах, отличающиеся отсутствием предварительной многоступенчатой подготовки исходных данных и экспертных оценок (пп. 1, 6, 7 паспорта специальности 05.13.18)

2. Создана математическая модель для качественного и количественного описания когнитивного шума головного мозга человека, впервые позволившая количественно оценить уровень данной характеристики при восприятии визуальных стимулов, в частности, бистабильных изображений (пп. 1,6,7 паспорта специальности 05.13.18)

3. Созданы эффективные методы формирования базиса НВП с использованием численного моделирования формы характерных паттернов и теоретического сейсмоимпульса НСР, позволяющие повысить точность распознавания искомых паттернов на зашумлённых сигналах (п. 3 паспорта специальности 05.13.18)

4. Разработаны методы автоматического удаления помех на сигналах наземной сейсмической разведки и ЭЭГ, комбинирующие непрерывное и дискретное вейвлетные преобразования и преобразование Гильберта-Хуанга, впервые позволивший подавить высокоинтенсивные артефакты при обработке в одноканальном режиме без регистрации вспомогательных сигналов (п. 3 паспорта специальности 05.13.18)

5. Предложен параметр интенсивности генерации паттернов а ритма на многоканальных сигналах ЭЭГ, регистрируемых в зоне ПЗА, позволивший определить временной интервал активного визуального распознавания стимула и классифицировать соответствующий паттерн визуального восприятия, возникающий в ПЗА (пп. 2, 5, 7 паспорта специальности 05.13.18)

6. Обнаружены возрастания интенсивности высокочастотных колебаний @ паттерна и подавление низкочастотных колебаний а паттерна на ЭЭГ при распознавании одиночных визуальных стимулов (пп. 5, 6 паспорта специальности 05.13.18)

7. В рамках проведенного математического моделирования показан кратковременный рост интенсивности а паттерна в затылочной зоне и затем её стабилизация при увеличении количества предъявлений стимулов на испытуемого (пп.7 паспорта специальности 05.13.18)

8. С использованием разработанных моделей и методов изучен сценарий развития ЭЭГ-активности в период планирования двигательной активности кистей рук человека. При команде на совершение двигательного акта после периода покоя обнаруживается пространственный паттерн а активности, захватывающий всю зону ПЗА, сменяемой ¡3 активностью, возникающей в затылочной зоне параллельно с височными отведениями и, далее, развивающийся вместе с повышением частоты (вплоть до 7 активности) в зону центральной борозды головного мозга (пп. 5, 7 паспорта специальности 05.13.18)

9. Разработан метод оценки скорости выполнения сценария мыслительной подготовки движения кисти руки человека по ЭЭГ активности головного мозга. Показано, что предложенный параметр уменьшается для

а паттернов и увеличивается для ¡3 при переходе от исследования условно здоровых испытуемых к пациентам с нарушениями кровообращения в коре головного мозга (пп. 2,5,7 паспорта специальности 05.13.18)

10. В рамках предложенных математических моделей и методов разработан эффективный комплекс программ моделирования и обработки нейрофизиологических данных пациентов, включающий параллельные вычисления (пп.3, 4 паспорта специальности 05.13.18)

11. С использованием современных вычислительных технологий создан программный комплекс, реализующий созданные в рамках диссертационного исследования оригинальные методы моделирования и обработки геофизических данных (пп.3,4 паспорта специальности 05.13.18)

Основные результаты и положения, выносимые на защиту.

1. Построенные математические модели и программные комплексы на их основе позволяют с использованием непрерывного вейвлетного преобразования исследовать формирование паттернов на зашумлённых экспериментальных сигналах геофизической и нейрофизиологической природы и реализовать оперативную обработку, сокращая стадии предварительной подготовки сигналов и необходимых экспертных оценок

2. На основе уравнения Фоккера-Планка разработана математическая модель для качественного и количественного определения уровня когнитивного шума человека, связанного с динамикой взаимодействующих нервных клеток в зонах зрительных анализаторов головного мозга и допускающего описание в терминах винеровских процессов, при восприятии визуальных бистабильных стимулов

3. В рамках построенной математической модели для сигналов разведочной геофизики разработанные численные методы адаптации базисов

непрерывного вейвлетного преобразования отличаются от классических повышением качества распознавания паттернов регистрируемых откликов от сейсмогеологических границ

4. Создание эффективных численных методов и программного комплекса на их основе обеспечивает автоматическое удаление помех на многоканальных сигналах экспериментальной природы при обработке в пока-нальном режиме без регистрации вспомогательных сигналов

5. Процесс активного восприятия зрительного стимула характеризуется наличием специфического паттерна в затылочной зоне проекции зрительных анализаторов головного мозга человека, отличающийся повышением мощности ЭЭГ в диапазоне частот 20-30 Гц в среднем в 3,7 раза по сравнению с фоновой активностью с одновременным снижением в частотных диапазонах 2-7 Гц — в 3,2 раза и 8-12 Гц — в 2,1 раза

6. Предложенная количественная характеристика интенсивности генерации паттернов в а диапазоне частот (8-12 Гц) на многоканальных ЭЭГ сигналах, регистрируемых в затылочной зоне, однозначно определяет период активного визуального распознавания стимула человеком

7. Сценарий планирования двигательных актов человеком состоит из последовательных активаций ¡3 паттернов (20-30 Гц) в проекциях височной доли и центральной борозды, с параллельным развитием а паттерна (8-12 Гц) в затылочной зоне головного мозга при этом скорость выполнения данного сценария для ¡3 паттернов повышается с одновременным снижением для а паттернов пациентов с диагностированными заболеваниями кровообращения головного мозга, доходя до экстремальных значений у пациентов в периоде реабилитации постинсультных расстройств

Научная и практическая значимость диссертационной работы заключается в следующем.

— Научная значимость диссертационной работы определяется тем, что разработанный в настоящей работе комплекс математических моделей, методов и программ обработки сигналов позволяет эффективно исследовать различные процессы, приводящие к генерации пространственно-волновых паттернов в экспериментальных сигналах различной природы. Разработанные методы моделирования и обработки для исследования разнородных данных, существенно различающихся по принципам их получения, но близких по некоторым критериям (многоканальность, выраженные пространственные неоднородность и нестационарность сред, порождающих сигналы, наличие целого комплекса мощных помех и шумов, принципиальная регистрация в каждый момент времени целого комплекса связанных и независимых компонент), могут применяться при анализе экспериментальных сигналов иной природы. Обнаруженные новые эффекты и закономерности в динамике головного мозга по экспериментальным нейрофизиологическим данным вносят вклад в понимание функционирования центральной нервной системы человека в норме и патологии.

— Практическая значимость диссертационной работы определяется разработкой оригинальных программных комплексов обработки сложных нестационарных сигналов экспериментальной природы, позволяющих провести автоматизированную высококачественную обработку на основе современного математического аппарата вейвлетного анализа и его комбинаций с другими методами цифровой обработки.

При выполнении диссертационной работы предложен ряд решений и компьютерных программ, которые защищены патентами и свидетельствами Российской Федерации. Результаты диссертации используются на производ-

стве при выполнении геофизических разведочных работ и при работе с данными пациентов, что подтверждается соответствующими актами и справками о внедрении.

• Акт о внедрении научно-технических разработок программного обеспечения (Руннова А.Е., Храмов А.Е., Журавлев М.О. Программа для ЭВМ для графического отображения геофизической информации полевых данных сейсмической разведки (GeoSeismicVisualizator). Свидетельство о государственной регистрации программы для ЭВМ No 2014617815, 2014, Руннова А.Е., Короновский А.А., Храмов А.Е. Программа для анализа характеристик различных компонент сигналов сейсмической разведки с использованием вейвлетного преобразования. Свидетельство о государственной регистрации программы для ЭВМ No 2013610803, 2013) в производственный процесс ООО "ЛукБелОйл".

• Справка о внедрении результатов научно-исследовательских работ (Максименко В.А., Храмов А.Е., Короновский А.А., Руннова А.Е. Программа для ЭВМ для расчета и многофакторного разделения полей сейсмических атрибутов на области однородности в задачах обработки данных наземной сейсмической разведки (AtributAnalyzer). Свидетельство о государственной регистрации программы для ЭВМ № 2014661931, 2014, Филатова (Руннова) А.Е., Короновский А.А., Храмов А.Е. Программа для реализации обратного непрерывного вейвлетного преобразования для восстановления цифрового сигнала после фильтрации с использованием вейвлетного преобразования. Свидетельство о государственной регистрации программы для ЭВМ No 2010613663, 2010) в производство в течение 2013 - 2015 годов на ПФ "Приволжскгазгеофизика" ООО "Газпром георесурс" ПАО "ГАЗПРОМ".

• Справка о внедрении результатов теоретических и прикладных научных разработок (Писарчик А.Н., Мусатов В.Ю., Руннова А.Е., Пчелинцева С.В., Храмов А.Е. Способ идентификации человека по ЭЭГ-отклику на неоднозначные изображения. Патент на изобретение N0 2647677, 2018; Руннова А.Е., Храмов А.Е., Журавлев М.О. Программа для ЭВМ для предварительной обработки ЭЭГ сигналов, регистрируемых в стандартных и произвольных расстановках, для дальнейших постобработки методами вейвлетного анализа и постидентификации восприятия объектов методами искусственных нейронных сетей. Свидетельство о государственной регистрации программы для ЭВМ N0 2017619058, 2017) в деятельность общества с ограниченной ответственностью "Наука и инновации" в течение 2017 - 2018 гг.

Все вышеуказанные документы приведены в Приложениях А, Б и В к диссертации. Разработанные математические модели и методы применяются также при выполнении ряда фундаментальных и прикладных НИР и НИОКР, поддержанных РФФИ, РНФ, ФЦП, Минобрнаука и др.

Личный вклад. Все основные результаты, выводы, положения, выносимые на защиту, информационное обеспечение, на которых основана диссертация, получены лично автором. В совместных работах автору принадлежит ведущая роль в разработке общей концепции работы, её структуры, методик теоретических и экспериментальных исследований, создания математических моделей изученных явлений. Основная идея технического решения патента №2647677, выполненного в соавторстве, принадлежала автору диссертации. Автором диссертации были разработаны алгоритмы программ и получены свидетельства о государственной регистрации компьютерных программ в Роспатенте, зарегистрированные под №№ 2018612999, 2018612995, 2017-

Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Список литературы диссертационного исследования доктор физико-математических наук Руннова, Анастасия Евгеньевна, 2019 год

Список использованной литературы

[1] Tan, L. Digital signal processing: fundamentals and applications / L. Tan, J. Jiang. — Academic Press, 2018.

[2] Van Drongelen, W. Signal processing for neuroscientists / W. Van Dronge-len. — Academic press, 2018.

[3] Wang, Y. Big data analytics: Understanding its capabilities and potential benefits for healthcare organizations / Y. Wang, L.A. Kung, T. A. Byrd // Technological Forecasting and Social Change. — 2018. — Vol. 126. — Pp. 313.

[4] Manogaran, G. Machine learning based big data processing framework for cancer diagnosis using hidden markov model and gm clustering / G. Manogaran, V. Vijayakumar, R. Varatharajan, P. M. Kumar, R. Sundarasekar, C.-H. Hsu // Wireless personal communications. — 2018.— Vol. 102, no. 3. — Pp. 2099-2116.

[5] Song, M.-L. Environmental performance evaluation with big data: Theories and methods / M.-L. Song, R. Fisher, J.-L. Wang, L.-B. Cui // Annals of Operations Research. — 2018. — Vol. 270, no. 1-2. — Pp. 459-472.

[6] Hassani, H. Big data: a big opportunity for the petroleum and petrochemical industry / H. Hassani, E. S. Silva // OPEC Energy Review.— 2018.— Vol. 42, no. 1. — Pp. 74-89.

[7] Moharm, K. I. Big Data in ITS: Concept, case studies, opportunities, and challenges / K. I. Moharm, E. F. Zidane, M. M. El-Mahdy, S. El-Tantawy // IEEE Transactions on Intelligent Transportation Systems. — 2018.

[8] Melie-Garcia, L. Multiple linear regression: Bayesian inference for distributed and big data in the medical informatics platform of the human brain project / L. Melie-Garcia, B. Draganski, J. Ashburner, F. Kherif // bioRx-iv. — 2018. — P. 242883.

[9] Shafique, A. Nonlinear dynamical systems with chaos and big data: A case study of epileptic seizure prediction and control / A. Shafique, M. Sayeed, K. Tsakalis // Guide to Big Data Applications. — Springer, 2018. — Pp. 329369.

[10] Ke, H. Towards brain big data classification: Epileptic EEG identification with a lightweight vggnet on global mic / H. Ke, D. Chen, X. Li, Y. Tang, T. Shah, R. Ranjan // IEEE Access. — 2018. — Vol. 6. — Pp. 14722-14733.

[11] Sangaiah, A. K. Cognitive computing for Big Data systems over IoT / A. K. Sangaiah, A. Thangavelu, V. M. Sundaram // Gewerbestrasse. — 2018.— Vol. 11. —P. 6330.

[12] Insel, T. R. Limits to growth: why neuroscience needs large-scale science / T. R. Insel, N. D. Volkow, S. C. Landis, T.-K. Li, J. F Battey Jr, P. Sieving // Nature Neuroscience. — 2004. — Vol. 7, no. 5. — P. 426.

[13] Bassett, D. S. On the nature and use of models in network neuroscience / D. S. Bassett, P. Zurn, J. I Gold // Nature Reviews Neuroscience. — 2018. — P. 1.

[14] Sun, Y.-Y. Reconstruction of seismic data with missing traces based on optimized poisson disk sampling and compressed sensing / Y.-Y. Sun, R.-S. Jia, H.-M. Sun, X.-L. Zhang, Y.-J. Peng, X.-M. Lu // Computers & Geosciences. — 2018. — Vol. 117. — Pp. 32 - 40.

[15] Zhao, Y. Time-frequency domain snr estimation and its application in seismic data processing / Y. Zhao, Y. Liu, X. Li, N. Jiang // Journal of Applied Geophysics. — 2014. — Vol. 107. — Pp. 25 - 35.

[16] Pre-cretaceous prospectivity of the outer more and Voring Basins constrained by new 3D seismic data // 80th EAGE Conference and Exhibition 2018. — 2018. — Pp. 114-121.

[17] Quantitative prediction of shale gas sweet spots based on seismic data in Lower Silurian Longmaxi Formation, Weiyuan area, Sichuan Basin, S W China / Z. Qingcai, Ch. Sheng, He Pei, Y. Qing, G. Xiaolong, Ch. Peng, D. Chunmeng et al. // Petroleum Exploration and Development. — 2018. — Vol. 45, no. 3. — Pp. 422-430.

[18] Wu, G. Data-driven time-frequency analysis of seismic data using non-stationary Prony method / G. Wu, S. Fomel, Y. Chen // Geophysical Prospecting. — 2018. — Vol. 66, no. 1. — Pp. 85-97.

[19] Reeves, J. Unravelling intrusion-induced forced fold kinematics and ground deformation using 3D seismic reflection data / J. Reeves, C. Magee, C. A.-L. Jackson // Geophysics. — 2018. — no. 1. —Pp. 152-171.

[20] Emerick, A. A. Deterministic ensemble smoother with multiple data assimilation as an alternative for history-matching seismic data / A. A. Emerick // Computational Geosciences. — 2018. — Pp. 1-12.

[21] EEG alpha activity during imagining creative moves in soccer decision-making situations / A. Fink, C. Rominger, M. Benedek, C. M. Perchtold,

I. Papousek, E. M. Weiss, A. Seidel, D. Memmert // Neuropsychologia. — 2018.-Vol. 114. —Pp. 118-124.

[22] Meng, J. A study of the effects of electrode number and decoding algorithm on online EEG-based BCI behavioral performance / J. Meng, B. J. Edelman, J. Olsoe, G. Jacobs, S. Zhang, A. Beyko, B. He // Frontiers in Neuroscience. — 2018. — Vol. 12. — P. 227.

[23] Lai, C. Q. Artifacts and noise removal for electroencephalogram (EEG): A literature review // 2018 IEEE Symposium on Computer Applications & Industrial Electronics (ISCAIE) / IEEE. — 2018. — Pp. 326-332.

[24] Kevric, J. Comparison of signal decomposition methods in classification of EEG signals for motor-imagery BCI system / J. Kevric, A. Subasi // Biomedical Signal Processing and Control. — 01 2017. — Vol. 31. — Pp. 511 - 524.

[25] Kornmeier, J. EEG correlates of cognitive time scales in the Necker-Zeno model for bistable perception / J. Kornmeier, E. Friedel, M. Wittmann, H. Atmanspacher // Consciousness and cognition.— 2017.— Vol. 53.— Pp. 136-150.

[26] Neurophysiological dynamics of phrase-structure building during sentence processing / M. J. Nelson, I. El Karoui, K. Giber, X. Yang, L. Cohen, H. Koopman, S. S. Cash et al. // Proceedings of the National Academy of Sciences. — 2017. —Vol. 114, no. 18. — Pp. E3669-E3678.

[27] Hasenstab, K. A multi-dimensional functional principal components analysis of EEG data / K. Hasenstab, A. Scheffler, D. Telesca, C. A. Sugar, S. Jeste, C. DiStefano, D. Sentiirk // Biometrics. — 2017. — Vol. 73, no. 3. — Pp. 9991009.

[28] Ситникова, Е. Ю. Анализ электрической активности головного мозга при абсанс эпилепсии: прикладные аспекты нелинейной динамики / Е. Ю. Ситникова, А. А. Короновский, А. Е. Храмов // Изв. Вузов. Прикладная нелинейная динамика. — 2011. — Т. 19, № 6. — С. 173-182.

[29] Sitnikova, E. On-off intermittency of thalamo-cortical oscillations in the electroencephalogram of rats with genetic predisposition to absence epilepsy / E. Sitnikova, A. E. Hramov, V. V. Grubov, A. A. Ovchinnkov, A. A. Koronovsky // Brain Research. — 2012. — Vol. 1436. — Pp. 147-156.

[30] Luijtelaar van, G. Spike--wave discharges in WAG/Rij rats are preceded by delta and theta precursor activity in cortex and thalamus / G. Luijtelaar van, A. E. Hramov, E. L. Sitnikova, A. A. Koronovskii // Clinical Neurophysiology. — 2011. — Vol. 122. — Pp. 687-695.

[31] Saggar, M. Towards a new approach to reveal dynamical organization of the brain using topological data analysis / M. Saggar, O. Sporns, J. Gonzalez-Castillo, P. A. Bandettini, G. Carlsson, G. Glover, A. L. Reiss // Nature communications. — 2018. — Vol. 9, no. 1. — P. 1399.

[32] Hong, K.-S. Feature extraction and classification methods for hybrid fnirs-EEG brain-computer interfaces / K.-S. Hong, M. Khan, M. J. Hong // Frontiers in Neuroscience. — 06 2018. — Vol. 12. — P. 246.

[33] Barnett, L. Misunderstandings regarding the application of Granger causality in neuroscience / L. Barnett, A. B. Barrett, A. K. Seth // Proceedings of the National Academy of Sciences. — 2018. — Vol. 115, no. 29. — Pp. E6676-E6677.

[34] Somers, B. A generic EEG artifact removal algorithm based on the multichannel wiener filter / B. Somers, T. Francart, A. Bertrand // Journal of neural engineering. — 2018. — Vol. 15, no. 3. — P. 036007.

[35] Larson, E. Reducing sensor noise in MEG and EEG recordings using oversampled temporal projection / E. Larson, S. Taulu // IEEE Transactions on Biomedical Engineering. — 2018. — Vol. 65, no. 5. — Pp. 1002-1013.

[36] Rohaut, B. Disentangling conscious from unconscious cognitive processing with event-related EEG potentials / B. Rohaut, L. Naccache // Revue neurologique. — 2017. — Vol. 173, no. 7-8. — Pp. 521-528.

[37] Яковенко, И. А. Изменения вызванного бета-ритма в коре больших полушарий при формировании установки на эмоциональное выражение лица в условиях нагрузки на рабочую память / И. А. Яковенко, М. К. Козлов, Е. А. Черемушкин // Журнал высшей нервной деятельности им. И. П. Павлова. — 2012. — Vol. 62, no. 3. — Pp. 302-302.

[38] Chopra, S. Seismic attribute expression of differential compaction / S. Chopra, K. J. Marfurt // SEG Technical Program Expanded Abstracts 2012. — 2012. — Pp. 1-5.

[39] Fromer, R. Group-level EEG-processing pipeline for flexible single trial-based analyses including linear mixed models / R. Fromer, M. Maier, R. Abdel Rahman // Frontiers in Neuroscience. — 2018. — Vol. 12. — P. 48.

[40] Combining EEG signal processing with supervised methods for Alzheimer's patients classification / G. Fiscon, E. Weitschek, A. Cialini, G. Felici, P. Bertolazzi, S. De Salvo, A. Bramanti et al. // BMC medical informatics and decision making. — 2018. — Vol. 18. — P. 1.

[41] Bao, S. Exploring non-gaussian behaviour in EEG data using random field methods // Computational Modelling of Objects Represented in Images. Fundamentals, Methods and Applications: Proceedings of the International Symposium ComplMAGE 2006 (Coimbra, Portugal, 20-21 October 2006) / CRC Press.—2018. —P. 81.

[42] Stringaris, A. A conceptual and metanalytic review of reward processing in the pathogenesis of depression / A. Stringaris, G. O'Callaghan, D. S. Pine, E. Leibenluft, P. Vidal-Ribas, H. Keren // Biological Psychiatry. — 2018.— Vol. 83, no. 9. — Pp. S163-S164.

[43] Chen, D. Brain big data processing with massively parallel computing technology: challenges and opportunities / D. Chen, Y. Hu, C. Cai, K. Zeng, X. Li // Software: Practice and Experience.— 2017.— Vol. 47, no. 3. — Pp. 405-420.

[44] Serhani, M. A. New algorithms for processing time-series big EEG data within mobile health monitoring systems / M. A. Serhani, M. El M., A. Benharref, S. Harous, A. N. Navaz // Computer methods and programs in biomedicine. — 2017. — Vol. 149. — Pp. 79-94.

[45] Lawson, M. Method to determine the presence of source rocks and the timing and extent of hydrocarbon generation for exploration, production and development of hydrocarbons. — February 2018.— US Patent 9,890,617.

[46] Qiuzi, L. Magneto-seismic exploration method and system. — October 2018. — US Patent App. 10/101,495.

[47] Schneider, C. Introduction to human-=computer interaction: Informing design utilizing behavioral, neurophysiological, and design science methods minitrack // Proceedings of the 50th Hawaii International Conference on System Sciences. — 2017.

[48] Neidell, N. S. Introduction to this special section: Advancements in 3D seismic processing / N. S. Neidell, T. Stark // The Leading Edge. — 2018.— Vol. 37, no. 1. —Pp. 12-13.

[49] Wang, B. F. Seismic data interpolation using deep learning based residual networks // 80th EAGE Conference and Exhibition 2018. — 2018.

[50] Stewart, R. R. Converted-wave seismic exploration: Applications / R. R. Stewart, J. E. Gaiser, R. J. Brown, D. C. Lawton // Geophysics. — 2003.— Vol. 68, no. 1. —Pp. 40-57.

[51] Ikelle, L. T. Introduction to petroleum seismology / L. T. Ikelle, L. Amundsen. — Society of Exploration Geophysicists, 2018.

[52] Zhou, Ya. Seismic data restoration based on the grassmannian rank-one update subspace estimation method / Ya. Zhou, Ch. Han // Journal of Applied Geophysics. — 2018.

[53] Chen, L. A seismic fault recognition method based on ant colony optimization / L. Chen, C. Xiao., X. Li., Z. Wang, S. Huo // Journal of Applied Geophysics. — 2018. — Vol. 152. — Pp. 1 - 8.

[54] Farrokhnia, F. Automatic salt dome detection in seismic data by combination of attribute analysis on crs images and igu map delineation / F. Farrokhnia, A. R. Kahoo, M. Soleimani // Journal of Applied Geophysics. — 2018. — Vol. 159. — Pp. 395 - 407.

[55] Zhang, J. 3D parabolic high-resolution radon transform with amplitude preserved // 80th EAGE Conference and Exhibition 2018. — 2018.

[56] Xu, J. An efficient implementation of 3D high-resolution imaging for large-scale seismic data with GPU/CPU heterogeneous parallel computing / J. Xu, W. Liu, J. Wang, L. Liu, J. Zhang // Computers & Geosciences. — 2018. — Vol. 111. — Pp. 272 - 282.

[57] Holschuh, N. D. Systems and methods for aligning a monitor seismic survey with a baseline seismic survey. — April 2018. — US Patent 9,952,341.

[58] Lowney, B. An outlook on seismic diffraction imaging using pattern recognition // 80th EAGE Conference and Exhibition 2018. — 2018.

[59] Kreeprasertkul, K. Joint inversion of multicomponent seismic data: Application to Bakken petroleum exploration and production / K. Kreeprasertkul, T. Davis // SEG Technical Program Expanded Abstracts 2018.— Society of Exploration Geophysicists, 2018. — Pp. 3372-3376.

[60] Heikel, Ed. Time-generalized multivariate analysis of EEG responses reveals a cascading architecture of semantic mismatch processing / Ed. Heikel, J. Sassenhagen, C. J. Fiebach // Brain and language. — 2018. — Vol. 184. — Pp. 43-53.

[61] Artificial neural network classification of motor-related EEG: An increase in classification accuracy by reducing signal complexity / V. A. Maksimenko, S. A. Kurkin, E. N. Pitsik, V. Yu. Musatov, A. E. Runnova, T. Yu. Efremova, A. E. Hramov, A. N Pisarchik // Complexity. — 2018. — Vol. 2018.

[62] Яковенко, И. А. Изменения бета-ритма при введении сигналов Go/NoGo в паузе между целевым и пусковым стимулами / И. А. Яковенко, Е. А. Черемушкин, М. К. Козлов // Журнал высшей нервной деятельности им. И. П. Павлова. — 2015. —Vol. 65, no. 4. — Pp. 410-410.

[63] Zehner, B. Rasterizing geological models for parallel finite difference simulation using seismic simulation as an example / B. Zehner, O. Hell-wig, M. Linke, I. Gorz, S. Buske // Computers & Geosciences. — 2016.— Vol. 86. —Pp. 83-91.

[64] Chen, Y. An open-source matlab code package for improved rank-reduction 3D seismic data denoising and reconstruction / Y. Chen, W. Huang, D. Zhang, W. Chen // Computers & Geosciences.— 2016.— Vol. 95.— Pp. 59 - 66.

[65] Tischler, M. B. System identification methods for aircraft flight control development and validation / M. B. Tischler // Advances In Aircraft Flight Control. — Routledge, 2018. — Pp. 35-69.

[66] Jain, M. Vacation model for markov machine repair problem with two heterogeneous unreliable servers and threshold recovery / M. Jain, R. K. Meena // Journal of Industrial Engineering International. — 2018. — Vol. 14, no. 1. — Pp. 143-152.

[67] Guillevin, C. Analysis of a mathematical model for brain lactate kinetics / C. Guillevin, R. Guillevin, A. Miranville, A. Perrillat-Mercerot // Mathematical Biosciences & Engineering. — 2018.— Vol. 15, no. 5.— Pp. 12251242.

[68] Corbet, T. F. A model for simulating adaptive, dynamic flows on networks: Application to petroleum infrastructure / T. F. Corbet, W. Beyeler, M. L. Wilson, T. P. Flanagan // Reliability Engineering & System Safety. — 2018. — Vol. 169. — Pp. 451-465.

[69] Fakher, S. A newly developed mathematical model to predict hydrolyzed polyacrylamide crosslinked polymer gel plugging efficiency in fractures and high permeability features // SPE Trinidad and Tobago Section Energy Resources Conference / Society of Petroleum Engineers. — 2018.

[70] Huang, X. Mathematical model study on the damage of the liquid phase to productivity in the gas reservoir with a bottom water zone / X. Huang, X. Guo, X. Lu, X. Zhou, Z. Qi, W. Yan, J. Li // Petroleum. — 2018.— Vol. 4, no. 2. — Pp. 209-214.

[71] Tontini, F. C. Semi-automatic determination of dips and depths of geologic contacts from magnetic data with application to the Turi Fault System, Taranaki Basin, New Zealand / F. C. Tontini, R. J. Blakely, V. Stagpoole, H. Seebeck // Journal of Applied Geophysics. — 2018. — Vol. 150. — Pp. 6773.

[72] Li, H. B. Porosity and pore-type estimation from seismic data using the Xu-Payne multi-porosity model for carbonate reservoir // 80th EAGE Conference and Exhibition 2018. — 2018.

[73] Ward, G. Rhyl field: developing a new structural model by integrating basic geological principles with advanced seismic imaging in the Irish Sea // Geological Society, London, Petroleum Geology Conference series / Geological Society of London. — Vol. 8. — 2018. — Pp. 355-371.

[74] Rykkelid, E. Seismic processing challenges related to leakage of hydrocarbons from the frigg gamma field // 80th EAGE Conference and Exhibition 2018. — 2018.

[75] Galinsky, V. L. Joint estimation of effective brain wave activation modes using EEG/MEG sensor arrays and multimodal MRI volumes / V. L. Galinsky, A. Martinez, M. P. Paulus, L. R. Frank // Neural computation. — 2018.— no. Early Access. — Pp. 1-25.

[76] Kritski, A. Adaptive wavelets for analyzing dispersive seismic waves / A. Kritski, P. Vincent, D. A. Yuen, T. Carlsen // Geophysics. — 2007. — Vol. 72. —Pp. V1-V11.

[77] Broadhead, M. K. The impact of random noise on seismic wavelet estimation / M. K. Broadhead, S. Aramco, N. Dhahran // The Leading Edge.— 2008. — P. 226.

[78] Li, Z. A global optimizing approach for waveform inversion of receiver functions / Z. Li, T. Hao, Yi Xu, Ya Xu, S. Roecker // Computers & Geo-sciences. — 2010. — Vol. 36, no. 7. — Pp. 871 - 880.

[79] Askan, A. Full waveform inversion for seismic velocity and anelastic losses in heterogeneous structures / A. Askan, V. Akcelik, J. Bielak, O. Ghattas // Bull. seism. Soc. Am. — 2007. — Vol. 97, no. 6. — Pp. 1990-2008.

[80] Chopra, S. Seismic attributes for prospect identification and reservoir characterization: Society of Exploration Geophysicists / S. Chopra, K. J. Mar-furt. — OK: Tulsa, 2007.

[81] Chopra, S. Seismic attribute mapping of structure and stratigraphy: Society of Exploration Geophysicists, Distinguished Instructor Short Course Series / S. Chopra, K. J. Marfurt. — USA: Tulsa, 2006.

[82] Corso, G. Seismic ground roll time-frequency filtering using the gaussian wavelet transform / G. Corso, P. S. Kuhn, L. S. Lucena, Z. D. Thom // Physica A. — 2003. — Vol. 318. — P. 551.

[83] Brown, A. R. Interpretation of three-dimensional seismic data / A. R. Brown // Tulsa, AAPG Memoir. — 2004. — Pp. 42-542.

[84] Liner, C. Spice: A new general seismic attribute // SEG Abstract. — 2004. — P. 52.

[85] Randen, T. Automatic extraction of fault surfaces from three-dimensional seismic data / T. Randen, et al. // Extended Abstracts of 71st Annual International Meeting, Society Of Exploration Geophysics. — 2001.

[86] Yilmas, O. Seismic Data Analysis. V. I, II / O. Yilmas. — USA: Tulsa, Society of Exploration Geophysicists, 2001.

[87] Randen, T. Three-dimensional texture attributes for seismic data analysis / T. Randen, et al. // 70th Annual International Meeting of the SEG, Expanded Abstracts. — 2000. — Pp. 668-671.

[88] Ross, C. P. Effective avo crossplot modeling: A tutorial / C. P. Ross // Geophysics. — 2000. — Vol. 65, no. 3. — Pp. 700-711.

[89] Bridging the Gap: Using AVO to detect changes in fundamental elastic constants. — SEG, Expended Abstracts, 1999.

[90] Cheng, D. Exploring motor imagery EEG patterns for stroke patients with deep neural networks // 2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) / IEEE. — 2018. — Pp. 2561-2565.

[91] Orozco-Alzate, M. The dtw-based representation space for seismic pattern classification / M. Orozco-Alzate, P. A. Castro-Cabrera, M. Bicego, J. M. Londoo-Bonilla // Computers & Geosciences. — 2015.— Vol. 85.— Pp. 86 - 95.— Statistical learning in geoscience modelling: Novel algorithms and challenging case studies.

[92] Pavlov, A. N. Detrended fluctuation analysis of EEG patterns associated with real and imaginary arm movements / A. N. Pavlov, A. E. Runnova, V. A. Maksimenko, O. N. Pavlova, D. S. Grishina, A. E. Hramov // Physica A: Statistical Mechanics and its Applications. — 2018.

[93] Human personality reflects spatio-temporal and time-frequency EEG structure / V. A Maksimenko, A. E. Runnova, M. O Zhuravlev, P. Protasov, R. Kulanin, M. V. Khramova, A. N Pisarchik, A. E Hramov // PloS one. — 2018. — Vol. 13, no. 9. — P. e0197642.

[94] Runnova, A. Analysis of psycho-physiological features of a subject in simple tests with the registration of electroencephalograms // Saratov Fall Meeting 2017: Laser Physics and Photonics XVIII; and Computational Biophysics and Analysis of Biomedical Data IV / International Society for Optics and Photonics. — Vol. 10717.— 2018. —P. 107171K.

[95] Indiradevi, K. P. A multi-level wavelet approach for automatic detection of epileptic spikes in the electroencephalogram / K. P. Indiradevi, E. Elias, P. S. Sathidevi, S. D. Nayak, K. Radhakrishnan // Computers in Biology and Medicine. — 2008. — Vol. 38. — Pp. 805-816.

[96] Мельникова, С. Л. Успешность и эффективность применения метода биологической обратной связи по электроэнцефалограмме у детей с раноприобретенной миопией в зависимости от исходной биоэлектрической активности головного мозга и индивидуального восприятия времени / С. Л. Мельникова, В. Ю. Муравьев // Вестник новых медицинских технологий. — 2007. — Vol. 14, no. 1.

[97] Ito, H. Dynamics of spontaneous transitions between global brain states / H. Ito, A.R. Nikolaev, C. van Leeuwen // Human Brain Mapping. — 2007. — Vol. 28. — Pp. 904-913.

[98] Ouyang, G. Application of wavelet-based similarity analysis to epileptic seizures prediction / G. Ouyang, X. Li, Y. Li, X. Guan // Computers in Biology and Medicine. — 2007. — Vol. 37. — Pp. 430-437.

[99] Doroshenkov, L. G. Classification of human sleep stages based on EEG processing using hidden markov models / L. G. Doroshenkov, V. A. Konyshev, S. V. Selishchev // Biomedical Engineering.— 2007.— Vol. 41, no. 1.— Pp. 25-28.

[100] Jiang, J. A. An automatic analysis method for detecting and eliminating ECG artifacts in EEG / J. A. Jiang, C. F. Chao, M. G. Chiu, R. G. Lee, C. L. Tseng, R. Lin // Computers in Biology and Medicine. — 2007. — Vol. 37. —Pp. 1660-1671.

[101] Medial temporal atrophy but not memory deficit predicts progression to dementia in patients with mild cognitive impairment / C. Geroldi, R. Rossi,

C. Calvagna, C. Testa, L. Bresciani, G. Binetti, O. Zanetti, G. B. Frisoni // Journal of Neurology, Neurosurgery & Psychiatry. — 2006. — Vol. 77, no. 11. — Pp. 1219-1222.

[102] Albert, S. A hierarchical stochastic model for bistable perception / S. Albert, K. Schmack, P. Sterzer, G. Schneider // PLOS Computational Biology. — 11 2017. —Vol. 13, no. 11.—Pp. 1-38.

[103] Hadiloo, S. Comparison between unsupervised and supervise fuzzy clustering method in interactive mode to obtain the best result for extract subtle patterns from seismic facies maps / S. Hadiloo, S. Mirzaei, H. Hashemi, B. Beiranvand // Geopersia. — 2018. — Vol. 8, no. 1. — Pp. 27-34.

[104] Bassani, T. Pattern recognition for brain-computer interface on disabled subjects using a wavelet transformation // Computational Intelligence in Bioinformatics and Computational Biology, 2008. CIBCB '08. IEEE Symposium, 15-17 Sept. — 2008. — Pp. 180-186.

[105] Morlet, J. Wave propagation and sampling theory—part i: Complex signal and scattering in multilayered media / J. Morlet, G. Arens, E. Fourgeau,

D. Glard // Geophysics. — 1982. — Vol. 47, no. 2. — Pp. 203-221.

[106] Morlet, J. Wave propagation and sampling theory—part ii: Sampling theory and complex waves / J. Morlet, G. Arens, E. Fourgeau, D. Giard // Geophysics. — 1982. — Vol. 47, no. 2. — Pp. 222-236.

[107] Grossman, A. Decomposition of Hardy function into square integrable wavelets of constant shape / A. Grossman, J. Morlet // SIAM J. Math. Anal. — 1984. — Vol. 15, no. 4. — P. 273.

[108] Daubechies, I. The wavelet transform, time-frequency localization and signal analysis / I. Daubechies // IEEE transactions on information theory. — 1990. — Vol. 36, no. 5. — Pp. 961-1005.

[109] Carmona, R. A. Characterization of signals by the ridges of their wavelet transforms / R. A. Carmona, W. L. Hwang, B. Torresani // IEEE transactions on signal processing. — 1997. — Vol. 45, no. 10.— Pp. 2586-2590.

[110] Torresani, B. Wavelets associated with representations of the affine weyl-heisenberg group / B. Torresani // Journal of Mathematical Physics. — 1991. — Vol. 32, no. 5. — Pp. 1273-1279.

[111] Астафьева, Н. М. Вейвлет-анализ: основы теории и примеры применения / Н. М. Астафьева // УФН. — 1996. — Т. 166, № 11. — С. 1145.

[112] A model of human cardiovascular system containing a loop for the autonomic control of mean blood pressure / A. S. Karavaev, Yu. M. Ishbulatov, A. R. Kiselev, V. I. Ponomarenko, M. D. Prokhorov, S. A. Mironov, V. A. Shvartz et al. // Human Physiology. — 2017. — Vol. 43, no. 1. — Pp. 61-70.

[113] Karavaev, A. S. Model of human cardiovascular system with a loop of autonomic regulation of the mean arterial pressure / A. S. Karavaev, Yu. M. Ishbulatov, V. I. Ponomarenko, M. D. Prokhorov, V. I. Gridnev, B. P. Bezruchko, A. R. Kiselev // Journal of the American Society of Hypertension. — 2016. — Vol. 10, no. 3. — Pp. 235-243.

[114] Sidak, E. V. Estimation of characteristics of delayed coupling between stochastic oscillators from the observed phase dynamics / E. V. Sidak, D. A. Smirnov, B. P. Bezruchko // Radiophysics and Quantum Electronics. — 2015. — Vol. 58, no. 7. — Pp. 529-540.

[115] Безручко, Б. П. Моделирование и диагностика взаимодействия нелинейных колебательных систем по хаотическим временным рядам (приложения в нейрофизиологии) / Б. П. Безручко, В. И. Пономаренко, М. Д. Прохоров, Д. А. Смирнов, П. А. Тасс // Успехи физических наук. — 2008. — Т. 178, № 3. — С. 323-329.

[116] Безручко, Б. П. Метод восстановления уравнений с гармоническим внешним воздействием по временному ряду / Б. П. Безручко, Д. А. Смирнов // Известия вузов. Прикладная нелинейная динамика. — 2001. — Т. 9, № 2. — С. 27-38.

[117] Дремин, И. М. Вейвлеты и их применение / И. М. Дремин, О. В. Иванов, В. А. Нечитайло // УФН. — 2001. — Т. 171, № 5. — С. 465-501.

[118] Kazantsev, V. B. Spiking patterns emerging from wave instabilities in a one-dimensional neural lattice / V. B. Kazantsev, V. I. Nekorkin, S. Binczak, J. M. Bilbaut // Phys. Rev. E. — 2003. — Vol. 68. — P. 017201.

[119] Simonov, A. Pattern retrieval in a three-layer oscillatory network with a context dependent synaptic connectivity / A. Simonov, I. Kastalskiy, V. Kazantsev // Neural Networks. — 2012. — Vol. 33. — Pp. 67-75.

[120] Koronovskii, A. A. An effective wavelet analysis of the transmission to chaos via intermittency / A. A. Koronovskii, A. E. Hramov // Technical Physics Letters. — 2001. — Vol. 27, no. 1. — Pp. 1-5.

[121] Грубов, В. В. Вейвлетный анализ сонных веретен на ЭЭГ и разработка метода их автоматической диагностики / В. В. Грубов, А. А. Овчинников, Е. Ю. Ситникова, А. А. Короновский, А. Е. Храмов // Изв. Вузов. Прикладная нелинейная динамика. — 2011. — Т. 19(4). — С. 91-108.

[122] Unraveling cell processes: interference imaging weaved with data analysis / N. A. Brazhe, A. R. Brazhe, A. N. Pavlov, L. A. Erokhova, A. I. Yusipovich, G. V. Maksimov, E. Mosekilde, S.O. V. // Journal of Biological Physics.— 2006. — Vol. 32. — Pp. 191-208.

[123] Pavlov, A. N. Separation of extracellular spikes: when wavelet based methods outperform the principle component analysis / A. N. Pavlov, V. A. Makarov, I. Makarova, F. Panetsos // Lecture Notes in Computer Science (ed. by Mira J., Alvarez J.R.). — 2005. — Pp. 123-132.

[124] Pavlov, A. N. Sorting of neural spikes: when wavelet based methods outperform principal component analysis / A. N. Pavlov, V. A. Makarov, I. Makarova, F. Panetsos // Natural Computing. — 2007. — Vol. 6. — Pp. 269-281.

[125] Пискун, П. В. Программно-алгоритмическое обеспечение непрерывного вейвлет-преобразования при обработке и интерпретации геофизических полей / П. В. Пискун. — М.: МГУ, 2006.

[126] Пискун, П. В. Адаптивные приемы выделения неоднородных геологических объектов в геофизических полях / П. В. Пискун, А. А. Никитин, С. В. Зиновкин, А. В. Петров // Известия ВУЗов: Геология и разведка.— 2005.— № 3. — С. 39.

[127] Пискун, П. В. Прогноз коллекторов и углеводородонасыщения на основе генетических алгоритмов обработки сейсмических данных // Тезисы докладов 6-ых Геофизических чтений им. В. В. Федынского. Центр ГЕ-ОН. — 2004. — С. 26.

[128] Bashkirtseva, I. Generation of mixed-mode stochastic oscillations in a hair bundle model / I. Bashkirtseva, L. Ryashko // Physical Review E. — 2018. — Vol. 98, no. 4. — P. 042414.

[129] Bashkirtseva, I. Methods of stochastic analysis of complex regimes in the 3D hindmarsh-rose neuron model / I. Bashkirtseva, L. Ryashko, E. Slepukhi-na // Fluctuation and Noise Letters. — 2018. — Vol. 17, no. 01. — P. 1850008.

[130] Светов, Б. С. Спектрально-пространственный анализ (СПАН) электроразведочных данных / Б. С. Светов, П. В. Пискун // Геофизика.— 2005. — Т. 4. — С. 43.

[131] Postnikov, E. B. Decomposition of strong nonlinear oscillations via modified continuous wavelet transform / E. B. Postnikov, E. A. Lebedeva // Phys. Rev. E. — 2010. — Vol. 82, no. 5. — P. 057201.

[132] Postnikov, E. B. Reconstruction of substrate's diffusion landscape by the wavelet analysis of single particle diffusion tracks / E. B. Postnikov, I. M. Sokolov // arXiv preprint arXiv:1806.02251. — 2018.

[133] Verveyko, D. V. Mathematical model of chaotic oscillations and oscillatory entrainment in glycolysis originated from periodic substrate supply / D. V. Verveyko, A. Yu. Verisokin, E. B. Postnikov // Chaos: An Interdisciplinary Journal of Nonlinear Science. — 2017. — Vol. 27, no. 8. — P. 083104.

[134] Frolov, N. Control of pattern formation in complex network by multiplexing / N. Frolov, A. Koronovskii, V. Makarov, V. Maksimenko, M. Goremyko,

A. Hramov // Cybern. Phys. — 2017. — Vol. 6. — Pp. 121-125.

[135] Pchelintseva, S. V. Recognition and classification of oscillatory patterns of electric brain activity using artificial neural network approach // Dynamics and Fluctuations in Biomedical Photonics XIV / International Society for Optics and Photonics. — Vol. 10063. — 2017. — P. 1006317.

[136] The dynamics of cortical folding waves and prematurity-related deviations revealed by spatial and spectral analysis of gyrification / J. Dubois, J. Lefevre, H. Angleys, F. Leroy, C. Fischer, J. Lebenberg, G. Dehaene-Lambertz et al. // NeuroImage. — 2018.

[137] Macroscopic and microscopic spectral properties of brain networks during local and global synchronization / V. A. Maksimenko, A. Liittjohann, V. V. Makarov, M. V. Goremyko, A. A. Koronovskii, V. Nedaivozov, A. E. Runnova et al. // Physical Review E. — 2017. — Vol. 96, no. 1. — P. 012316.

[138] Liu, S. A modified symplectic prk scheme for seismic wave modeling / S. Liu, D. Yang, J. Ma // Computers & Geosciences. — 2017. — Vol. 99.— Pp. 28 - 36.

[139] Semnani, A. Intelligent spectral decomposition method with application to real data of an offshore petroleum reservoir / A. Semnani, M. Nabi-Bidhendi,

B. N. Arabi, S. A. Miri // SEG Technical Program Expanded Abstracts 2016. — Society of Exploration Geophysicists, 2016. — Pp. 2846-2850.

[140] Guger, C. Real-time EEG analysis for a brain-computer interface (BCI) with subject-specific spatial patterns / C. Guger, H. Ramoser, G. Pfurtscheller // IEEE Trans. Rehab. Eng. — 2000. — no. 8. — P. 562.

[141] Haselsteiner, E. Using time-dependent neural networks for EEG classification / E. Haselsteiner, G. Pfutscheller // IEEE Transactions on Rehabilitation Enginering. — 2000. — Vol. 8. — Pp. 457-463.

[142] Freeman, W. J. Mesoscopic neurodynamics: from neuron to brain. / W. J. Freeman // J.Physiol. (France). — 2000. — Vol. 94. — P. 303.

[143] Buccino, A. P. Independent component analysis for fully automated multi-electrode array spike sorting / A. P. Buccino, E. Hagen, G. T. Einevoll, P. D. Hafliger, G. Cauwenberghs // Engineering in Medicine and Biology Society (EMBC), IEEE. — 2018. — P. In press.

[144] Karimi, F. Detection of movement related cortical potentials from EEG using constrained ICA for brain-computer interface applications / F. Karimi, J. Kofman, N. Mrachacz-Kersting, D. Farina, N. Jiang // Frontiers in neuroscience. — 2017. — Vol. 11. — P. 356.

[145] Flexer, A. Using ICA for removal of ocular artifacts in EEG recorded from blind subjects / A. Flexer, H. Bauer, J. Pripfl, G. Dorffner // Neural Networks. — 2005. — Vol. 18. — Pp. 998-1005.

[146] Tenan, M. S. Analysis of statistical and standard algorithms for detecting muscle onset with surface electromyography / M. S. Tenan, A. J. Tweedell, C. A. Haynes // PloS one. — 2017. — Vol. 12, no. 5. — P. e0177312.

[147] Maciejewski, M. W. Practical nonuniform sampling and non-fourier spectral reconstruction for multidimensional nmr / M. W. Maciejewski, A. D. Schuyler, J. C. Hoch // Protein NMR. — Springer, 2018. — Pp. 341-352.

[148] Lavrova, A. I. Wavelet analysis of location and intensity of spatial rhythms in hippocampus // AIP Conference Proceedings / AIP. — Vol. 1558. — 2013. — Pp. 715-718.

[149] Postnikov, E. B. On precision of wavelet phase synchronization of chaotic systems / E. B. Postnikov // Journal of Experimental and Theoretical Physics. — 2007. — Vol. 105, no. 3. — Pp. 652-654.

[150] Postnikov, E. B. Local spectral analysis of images via the wavelet transform based on partial differential equations / E. B. Postnikov, V. K. Singh // Multidimensional Systems and Signal Processing. — 2014. — Vol. 25, no. 1. — Pp. 145-155.

[151] Farge, M. Improved predictability of two dimensional turbulent flows using wavelet packet compression / M. Farge, E. Coirand, Y. Meyer, F. Pascal // Fluid Dyn. Res. — 1992. — Vol. 10. — P. 229.

[152] Farge, M. Wavelet transform and their applications to turbulence / M. Farge // Annu. Rev. Fluid. Mech. — 1992. — Vol. 24. — P. 395.

[153] Астафьева, Н. М. Вейвлет-анализ: спектральный анализ локальных возмущений (основы теории и примеры применения) / Н. М. Астафьева // Известия вузов. Прикладная нелинейная динамика. — 1996. — Т. 4, № 2. — С. 3-39.

[154] Quyen, M. L. V. Comparison of Hilbert transform and wavelet methods for the analysis of neuronal synchrony / M. L. V. Quyen, et al. //J. Neuroscience Methods. — 2001. — Vol. 111. — Pp. 83-98.

[155] Lachaux, J. P. Estimating the time-course of coherence between single-trial brain signals: an introduction to wavelet coherence / J. P. Lachaux, et al. // Neurophysiol. Clin. — 2002. — Vol. 32, no. 3. — Pp. 157-174.

[156] Короновский, А. А. Введение в непрерывный вейвлетный анализ для специалистов в области нелинейной динамики. Часть 2. Пути в хаос с точки зрения вейвлетного анализа. / А. А. Короновский, А. Е. Храмов // Изв. вузов. Прикладная нелинейная динамика. — 2002.— Т. 10, № 1,2. — С. 3-19.

[157] Hramov, A. E. An approach to chaotic synchronization / A. E. Hramov, A. A. Koronovskii // Chaos. — 2004. — Vol. 14, no. 3. — Pp. 603-610.

[158] Короновский, А. А. Анализ хаотической синхронизации динамических систем с помощью вейвлетного преобразования / А. А. Короновский, А. Е. Храмов // Письма в ЖЭТФ. — 2004. — Т. 79, № 7. — С. 391-395.

[159] Короновский, А. А. Некоторые общие подходы к анализу хаотической синхронизации в связанных динамических системах / А. А. Коронов-ский, О. И. Москаленко, П. В. Попов, А. Е. Храмов // Известия вузов. Прикладная нелинейная динамика. — 2004. — Т. 12, № 6. — С. 159-190.

[160] Van den Berg, J. C. Wavelets in Physics / J. C. Van den Berg. — Cambridge University Press, Cambridge, 2004.

[161] Hramov, A. E. Chaotic synchronization of coupled electron-wave systems with backward waves / A. E. Hramov, A. A. Koronovskii, P. V. Popov, I. S. Rempen // Chaos. — 2005. — Vol. 15, no. 1. — P. 013705.

[162] Hramov, A. E. Synchronization of chaotic oscillator time scales / A. E. Hramov, A. A. Koronovskii, Y. Levin // JETP. — 2005. — Vol. 127, no. 4. — Pp. 886-897.

[163] Hramov, A. E. Synchronization of spectral components and its regularities in chaotic dynamical systems / A. E. Hramov, A. A. Koronovskii, M. K. Kurovskaya, O. I. Moskalenko // Phys. Rev. E. — 2005. — Vol. 71, no. 5.— P. 056204.

[164] Hramov, A. E. Time scale synchronization of chaotic oscillators / A. E. Hramov, A. A. Koronovskii // Physica D. — 2005. — Vol. 206, no. 3-4. — Pp. 252-264.

[165] Думский, Д. В. Классификация нейронных потенциалов действия на основе вейвлет-преобразования / Д. В. Думский, А. Н. Павлов, А. Н. Тупицын, В. А. Макаров // Изв. вузов, Прикладная нелинейная динамика. — 2005. — Т. 13, № 5-6. — С. 77-98.

[166] Макаров, В. А. Сортировка нейронных спайков на основе параметрического вейвлет-анализа с адаптивной фильтрацией / В. А. Макаров, А. Н. Павлов, А. Н. Тупицын // Цифровая обработка сигналов. — 2008. — № 3. — С. 26-31.

[167] Павлов, А. Н. Цифровая фильтрация и частотно-временной анализ нестационарных сигналов на основе вейвлетов и эмпирических мод / А. Н. Павлов, А. Е. Филатова (Руннова), А. Е. Храмов // Радиотехника и электроника. — 2011. — Т. 56, № 8. — С. 576.

[168] Павлов, А. Н. Частотно-временной анализ нестационарных процессов: концепции вейвлетов и эмпирических мод / А. Н. Павлов, А. Е. Филатова (Руннова), А. Е. Храмов // Изв. Вузов. Прикладная нелинейная динамика. — 2011. — Т. 19, № 2. — С. 141-157.

[169] Bhattacharyya, A. A novel approach for automated detection of focal EEG signals using empirical wavelet transform / A. Bhattacharyya, M. Sharma, R. B. Pachori, P. Sircar, U. R. Acharya // Neural Computing and Applications. — 2018. — Vol. 29, no. 8. — Pp. 47-57.

[170] Florez, H. A model-order reduction method based on wavelets and pod to solve nonlinear transient and steady-state continuation problems / H. Flo-rez, M. Argaez // Applied Mathematical Modelling. — 2018.— Vol. 53.— Pp. 12-31.

[171] Mouri, H. Wavelet analysis of vortex tubes in experimental turbulence / H. Mouri, M. Takaoka // Phys. Rev. E. — 2002. — Vol. 65, no. 2. — P. 027302.

[172] Addison, P. S. The Illustrated Wavelet Transform Handbook: Introductory Theory and Applications in Science Engineering, Medicine and Finance / P. S. Addison. — Bristol: Institute of Physics Publishing, 2002.

[173] Gong, X. Seismic data reconstruction using a sparsity-promoting apex shifted hyperbolic Radon-curvelet transform / X. Gong, S. Wang, L. Du // Studia Geophysica et Geodaetica. — 2018. — Pp. 1-16.

[174] Improving old seismic using full wavefield inversion and broadband processing: Imaging complex structures under shallow gas / V. Gudipati, S. Jaynes, S. Lee, J. Reilly, S. Lazaratos, R. Neelamani, A. Martinez et al. // SEG Technical Program Expanded Abstracts 2018. — Society of Exploration Geo-physicists, 2018. — Pp. 1349-1353.

[175] Song, C. Multi-waveform classification for seismic facies analysis / C. Song, Z. Liu, Wang Ya., Li X., G. Hu // Computers & Geosciences. — 2017.— Vol. 101. — Pp. 1 - 9.

[176] Li, Q.-Z. High-resolution Seismic Exploration / Q.-Z. Li. — Society of Exploration Geophysicists, 2017.

178

179

180

181 182

183

184

185

186

187

188 189

Xue, Y. Amplitude-preserving iterative deblending of simultaneous source seismic data using high-order radon transform / Y. Xue, M. Man, S. Zu, F. Chang, Y. Chen // Journal of Applied Geophysics. — 2017. — Vol. 139. — Pp. 79-90.

Aleman, A. Broadband processing for Campeche Basin: Improved seismic resolution and attribute derivation / A. Aleman, J. Heimbach, E. Medina, C. Morales, J. Thekkekara, S. L. Yong, O. Zdraveva // SEG Technical Program Expanded Abstracts 2017. — Society of Exploration Geophysicists, 2017. — Pp. 4881-4886.

Li, C. Matching pursuit parallel decomposition of seismic data / C. Li, F. Zhang // Computers & Geosciences. — 2017. — Vol. 104. — Pp. 54 - 61.

Jia, Y. What can machine learning do for seismic data processing? An interpolation application / Y. Jia, J. Ma // Geophysics. — 2017.— Vol. 82, no. 3. — Pp. V163-V177.

Al Ramadhan, A. Processing frequent 4D land seismic data with buried sensors for CO 2 monitoring // SPE Middle East Oil & Gas Show and Conference / Society of Petroleum Engineers. — 2017.

Keggin, J. Detecting basement reservoir fractures on Vietnam's first ocean bottom seismic survey in the Cuu Long Basin / J. Keggin, J. Zhou, N. L. Anh // Southeast Asia Petroleum Exploration Society (SEAPEX).— 2017. — Vol. 8. — Pp. 3372-3376.

Chaudhuri, U. R. Fundamentals of petroleum and petrochemical engineering / U. R. Chaudhuri. — CRC Press, 2016.

Zhao, G. Seismic processing and interpretation platform in the Big Data era // 2016 Workshop: Workshop High Performance Computing, Beijing, China, 14-16 November 2016 / Society of Exploration Geophysicists. — 2016. — Pp. 1-4.

Ампилов, Ю. П. Сейсмическая интерпретация: опыт и проблемы / Ю. П. Ампилов. — М.: Изд-во «Геоинформмарк», 2004.

Bezruchko, B. P. Extracting Knowledge From Time Series. An Introduction to Nonlinear Empirical Modeling / B. P. Bezruchko, D. A. Smirnov. — Springer, 2010.

Yilmas, O. Seismic Data Processing / O. Yilmas. — Tulsa, Society of Exploration Geophysicists, Seventh printing, 1994.

Foufoula-Georgiou, E. Wavelets in geophysics / E. Foufoula-Georgiou, P. Kumar. — N. Y.: Academic Press„ 1994.

Castagna, J. P. Offset-dependent reflectivity - theory and practice of avo analysis / J. P. Castagna, M. M. Backus // Soc. Expl. Geophys.— 1993. — Pp. 3-36.

191

192

193

194

195

196

197

198

199

200

Coffen, J. A. Seismic Exploration Fundamentals / J. A. Coffen. — Tulsa: PennWell Books, 1986.

Coffen, J. A. Interpreting Seismic Data / J. A. Coffen. — Tulsa: PennWell Books, 1984.

Bard, P.-Y. The seismic response of sediment-filled valleys, Part 1: The case of incident SH waves / P.-Y. Bard, M. Bouchon // Bull. seism. Soc. Am. — 1980. — Vol. 70. — Pp. 1263-1286.

Bard, P.-Y. The seismic response of sediment-filled valleys, Part 2: The case of incident P and SV waves / P.-Y. Bard, M. Bouchon // Bull. seism. Soc. Am. — 1980. — Vol. 70. — Pp. 1921-1941.

Bishop, P. O. Neural mechanisms for binocular depth discrimination / P. O. Bishop // Sensory Functions. — Elsevier, 1981.— Pp. 441-449.

Li, Y. Stereoscopic processing of crossed and uncrossed disparities in the human visual cortex / Y. Li, C. Zhang, C. Hou, L. Yao, J. Zhang, Z. Long // BMC neuroscience. — 2017. — Vol. 18, no. 1. — P. 80.

Sorqvist, P. On interpretation and task selection: the sub-component hypothesis of cognitive noise effects / P. Sorqvist // Frontiers in psychology. — 2015. —Vol. 5. —P. 1598.

Normal EEG in wakefulness and sleep, preterm, term, infant, adolescent / P. L. Pearl, J. C. Beal, M. Eisermann, S. N. Misra, P. Plouin, S. L. Moshe, J. J. Riviello et al. // Niedermeyer's Electroecephalography: Basic Principles, Clinical Applications, and Related Fields, 7th Edition. — Oxford University Press, 2018.

Nuwer, M. R. Caring for patients with epilepsy: The many ways EEG is useful. — 2018.

Johansson, D. Wearable sensors for clinical applications in epilepsy, Parkinson's disease, and stroke: a mixed-methods systematic review / D. Johansson, K. Malmgren, M. Alt Murphy // Journal of neurology. — 2018. — Pp. 113.

Silva, V.-A. Brain processing and coding responses to musical expertise: An EEG study / V.-A. Silva, T. Pereira, J. Conde // Neurophysiology Research. — 2018. — Vol. 1, no. 1.

Erickson, M. A. High temporal resolution measurement of cognitive and affective processes in psychopathology: What electroencephalography and magnetoencephalography can tell us about mental illness / M. A. Erickson, E. S. Kappenman, S. J. Luck // Biological Psychiatry: Cognitive Neuroscience and Neuroimaging. — 2018. — Vol. 3, no. 1. — Pp. 4-6.

[202] A multi-modal parcellation of human cerebral cortex / M. F. Glasser, T. S. Coalson, E. C. Robinson, C. D. Hacker, J. Harwell, E. Yacoub, K. Ugurbil et al. // Nature. — 2016. — Vol. 536, no. 7615. — Pp. 171-178.

[203] Luck, S. J. An introduction to the event-related potential technique / S. J. Luck. — MIT press, 2014.

[204] Iosifescu, D. V. Frontal EEG predictors of treatment outcome in major depressive disorder / D. V. Iosifescu, S. Greenwald, P. Devlin, D. Mischoulon, J. W. Denninger, J. E. Alpert, M. Fava // European Neuropsychopharma-cology. — 2009. — Vol. 19, no. 11. — Pp. 772-777.

[205] Subasi, A. EEG signal classification using wavelet feature extraction and a mixture of expert model / A. Subasi // Expert Systems with Applications. — 2007. — Vol. 32, no. 4. — Pp. 1084-1093.

[206] Evans, J. R. Introduction to quantitative EEG and neurofeedback / J. R. Evans, A. Abarbanel. — Elsevier, 1999.

[207] Rao, K. D. Discrete wavelet transforms / K. D. Rao, M. N. S. Swamy // Digital Signal Processing. — Springer, 2018.— Pp. 619-691.

[208] Tayyab, M. Application of artificial intelligence method coupled with Discrete Wavelet Transform method / M. Tayyab, J. Zhou, R. Adnan, X. Zeng // Procedia Computer Science. — 2017.— Vol. 107.— Pp. 212217.

[209] Павлов, А. Н. Мультифрактальный анализ сложных сигналов / А. Н. Павлов, В. С. Анищенко // Успехи физических наук. — 2007.— Т. 177, № 8. — С. 859-876.

[210] Арнольд, В. И. Вейвлеты в компьютерной графике / В. И. Арнольд, Т. ДеРоуз, Д. Салезин. — M., Ижевск: Регулярная и хаотическая динамика, 2002.

[211] Jensen, A. Ripples in mathematics: the discrete wavelet transform / A. Jensen, A. la Cour-Harbo. — Springer Science & Business Media, 2001.

[212] Vetterli, M. Wavelets and subband coding / M. Vetterli, J. Kovacevic.— NY, Prentice Hall, 1995.

[213] The empirical mode decomposition and the hilbert spectrum for nonlinear and non-stationary time series analysis / N. E. Huang, Z. Shen, S. R. Long, M. C. Wu, H. H. Shih, Q. Zheng, N. C. Yen et al. // Proc. R. Soc. London Ser. A. — 1998. — Vol. 454. — Pp. 903-995.

[214] Coughlin, K. T. 11-year solar cycle in the stratosphere extracted by the empirical mode decomposition method / K. T. Coughlin, C. C. Tung // Adv. Space Res. — 2004. — Vol. 34. — P. 39.

[215] Neto, E. P. S. Assessment of cardiovascular autonomic control by the empirical mode decomposition / E. P. S. Neto, M. A. Custaud, C. J. Cejka, P. Abry, J. Frutoso, C. Gharib, P. Flandrin // Method. Inform. Med.— 2004. — Vol. 43. — P. 60.

[216] Wu, Z. A study of the characteristics of white noise using the empirical mode decomposition method / Z. Wu, N. E. Huang // Proc. R. Soc. London, Ser. A. — 2004. — Vol. 460. — P. 1597.

[217] Ali, H. Facial emotion recognition based on empirical mode decomposition and discrete wavelet transform analysis / H. Ali, M. Hariharan, H. Mansor, S. N. Adenan, M. Elshaikh, K. Wan // Journal of Telecommunication, Electronic and Computer Engineering (JTEC).— 2018.— Vol. 10, no. 1-13.— Pp. 37-41.

[218] Moore, K. J. Wavelet-bounded empirical mode decomposition for measured time series analysis / K. J. Moore, M. Kurt, M. Eriten, D. M. McFarland, L. A. Bergman, A. F. Vakakis // Mechanical Systems and Signal Processing. — 2018. — Vol. 99. — Pp. 14-29.

[219] Nava, N. Dynamic correlations at different time-scales with empirical mode decomposition / N. Nava, T. Di Matteo, T. Aste // Physica A: Statistical Mechanics and its Applications. — 2018. — Vol. 502. — Pp. 534-544.

[220] Gratton, G. A new method for off-line removal of ocular artifact / G. Gratton, M. G. H. Coles, E. Donchin // Electroencephalography and clinical neurophysiology. — 1983. — Vol. 55, no. 4. — Pp. 468-484.

[221] Greenwald, S. D. Method and system for the extraction of cardiac artifacts from EEG signals. — August 1998. — US Patent 5,792,069.

[222] Uriguen, Jose Antonio. EEG artifact removal-state-of-the-art and guidelines / Jose Antonio Uriguen, Begona Garcia-Zapirain // Journal of neural engineering. — 2015. — Vol. 12, no. 3. — P. 031001.

[223] Jung, T.-P. Removing electroencephalographic artifacts: comparison between ICA and PCA // Neural Networks for signal processing. — Vol. 8. — 1998. — Pp. 63-72.

[224] Berg, P. A multiple source approach to the correction of eye artifacts / P. Berg, M. Scherg // Electroencephalography and clinical neurophysiolo-gy. — 1994. — Vol. 90, no. 3. — Pp. 229-241.

[225] Bell, A. An information-maximization approach to blind separation and blind deconvolution / A. Bell, T. Sejnowski // Neural Comput.— 1995.— Vol. 7. — Pp. 1129-1159.

[226] Lagerlund, T. D. Spatial filtering of multichannel electroencephalographic recordings through principal component analysis by singular value decomposition / T. D. Lagerlund, F. W. Sharbrough, N. E. Busacker // Journal of clinical neurophysiology. — 1997. — Vol. 14, no. 1. — Pp. 73-82.

[227] Jung, T.-P. Removing electroencephalographic artifacts by blind source separation / T.-P. Jung, S. Makeig, C. Humphries, T.-W. Lee, M. J. Mckeown, V. Iragui, T. J. Sejnowski // Psychophysiology. — 2000. — Vol. 37, no. 2.— Pp. 163-178.

[228] Jung, T. Removal of eye activity artifacts from visual event-related potentials in normal and clinical subjects / T. Jung, S. Makeig, M. Westerfield, J. Townsend, E. Courchesne, T. Sejnowski // Clin Neurophysiol. — 2000. — Vol. 11. —Pp. 1745-1758.

[229] Makeig, S. Independent component analysis of electroencephalographic data // Advances in neural information processing systems.— 1996.— Pp. 145-151.

[230] Kobayashi, K. Isolation of epileptiform discharges from unaveraged EEG by independent component analysis / K. Kobayashi, C. J. James, T Nakahori, T Akiyama, J Gotman // Clinical neurophysiology.— 1999.— Vol. 110, no. 10. —Pp. 1755-1763.

[231] Ille, N. Artifact correction of the ongoing EEG using spatial filters based on artifact and brain signal topographies / N. Ille, P. Berg, M. Scherg // Journal of clinical neurophysiology. — 2002. — Vol. 19, no. 2. — Pp. 113-124.

[232] Joyce, C. A. Automatic removal of eye movement and blink artifacts from EEG data using blind component separation / C. A. Joyce, I. F. Gorodnit-sky, M. Kutas // Psychophysiology. — 2004. — Vol. 41, no. 2. — Pp. 313-325.

[233] Jung, T. Removing electroencephalographic artifacts by blind source separation / T. Jung, C. Humphries, T. Lee, M. McKeown, V. Iragui, S. Makeig // Psychophysiology. — 2000. — Vol. 37. — Pp. 163-178.

[234] Zheng, C. Application of s-transform threshold filtering in Anhui experiment airgun sounding data de-noising / C. Zheng, X. Tian, Z. Yang, S. Wang, Z. Fan // Geodesy and Geodynamics. — 2018.— Vol. 9, no. 4.— Pp. 320327.

[235] Pinnegar, C. R. Application of the S transform to prestack noise attenuation filtering / C. R. Pinnegar, D. W. Eaton // Journal of Geophysical Research: Solid Earth. — 2003. — Vol. 108, no. B9.

[236] Hering, A. A joint inversion algorithm to process geoelectric and surface wave seismic data. part I: basic ideas / A. Hering, R. Misiek, A. Gyulai, T. Ormos, M. Dobroka, L. Dresen // Geophysical Prospecting. — 1995.— Vol. 43, no. 2. — Pp. 135-156.

[237] Chen, W. Multiple-reflection noise attenuation using adaptive randomized-order empirical mode decomposition. / W. Chen, J. Xie, S. Zu, S. Gan, Y. Chen // IEEE Geosci. Remote Sensing Lett. — 2017. — Vol. 14, no. 1. — Pp. 18-22.

[238] de Souza, M. P. Multichannel predictive deconvolution and parabolic radon transform for multiple reflection's filtering on land seismic data from solimoes basin // 15th International Congress of the Brazilian Geophysical Society & EXPOGEF, Rio de Janeiro, Brazil, 31 July-3 August 2017 / Brazilian Geophysical Society. — 2017.— Pp. 1517-1521.

[239] Huang, W. Random noise attenuation for 3D seismic data by modified multichannel singular spectrum analysis // 77th EAGE Conference and Exhibition 2015. — 2015.

[240] Huang, W. Low-frequency noise attenuation in seismic and microseismic data using mathematical morphological filtering / W. Huang, R. Wang, S. Zu, Y. Chen // Geophysical Journal International. — 2017.— Vol. 211, no. 3. — Pp. 1318-1340.

[241] Ma, M. Multichannel impedance inversion for nonstationary seismic data based on the modified alternating direction method of multipliers / M. Ma, R. Zhang, S. Yuan // Geophysics. — 2018. — Vol. 84, no. 1. — Pp. 1-29.

[242] Wen, W. Enhanced perceptual processing of self-generated motion: Evidence from steady-state visual evoked potentials / W. Wen, E. Brann, S. Di Costa, P. Haggard // NeuroImage. — 2018. — Vol. 175. — Pp. 438-448.

[243] Vergeer, M. EEG frequency tagging reveals higher order intermodulation components as neural markers of learned holistic shape representations / M. Vergeer, N. Kogo, A. R. Nikolaev, N. Alp, V. Loozen, B. Schraepen, J. Wagemans // Vision research. — 2018.

[244] Deng, W. A. Seismic attributes for characterization of a heavy-oil shaly-sand reservoir in the muglad basin of south sudan / W. A. Deng, Taeyoun Kim, Seonghyung Jang // Geosciences Journal. — 2018. — Pp. 1-13.

[245] Putuhena, H. Petroleum seepage analysis in Java-Sumatra Forearc Basins / H. Putuhena, M. Huuse, B. Sapiie, W. Jeffery // Southeast Asia Petroleum Exploration Society (SEAPEX). — 2018. — Vol. 13, no. 2. — Pp. 124-150.

[246] Runnova, A. The study of human higher mental functions as they relate to neurophysiological processes and personal characteristics // Dynamics and Fluctuations in Biomedical Photonics XV / International Society for Optics and Photonics. — Vol. 10493. — 2018. — P. 1049319.

[247] Multiscale neural connectivity during human sensory processing in the brain / V. A Maksimenko, A. E. Runnova, N. S Frolov, V. V. Makarov, V. Nedaivozov, A. A Koronovskii, A. Pisarchik, A. E Hramov // Physical Review E. — 2018. — Vol. 97, no. 5. — P. 052405.

[248] Nonlinear analysis of brain activity, associated with motor action and motor imaginary in untrained subjects / V. A Maksimenko, A. Pavlov, A. E. Runnova, V. Nedaivozov, V. Grubov, A. Koronovslii, S. V. Pchelintseva et al. // Nonlinear Dynamics. — 2018. — Vol. 91, no. 4. — Pp. 2803-2817.

[249] Грубов, В. В. Адаптивная фильтрация физиологических артефактов на сигналах электроэнцефалограмм человека с использованием разложения по эмпирическим модам / В. В. Грубов, А. Е. Руннова, А. Е. Храмов // Журнал технической физики. — 2018. — Vol. 88, no. 5. — Pp. 782-790.

[250] Visual perception affected by motivation and alertness controlled by a nonin-vasive brain-computer interface / V. A Maksimenko, A. E. Runnova, M. O. Zhuravlev, V. V. Makarov, V. Nedayvozov, V. V. Grubov, S. V. Pchelintceva et al. // PloS one. — 2017. — Vol. 12, no. 12. — P. e0188700.

[251] Classifying the perceptual interpretations of a bistable image using EEG and artificial neural networks / A. E. Hramov, V. A Maksimenko, S. V. Pchelintseva, A. E. Runnova, V. V. Grubov, V. Yu Musatov, M. O Zhuravlev et al. // Frontiers in neuroscience. — 2017. — Vol. 11. — P. 674.

[252] Grubov, V. V. Perception of multistable images: EEG studies / V. V. Grubov, A. E. Runnova, M. O. Zhuravlev, V. A. Maksimenko, S. V. Pchelintseva, A. N. Pisarchik // Cybernetics And Physics (6). — 2017. — Pp. 108113.

[253] Grubov, V. V. Development of intelligent system for classification of multiple human brain states corresponding to different real and imaginary movements / V. V. Grubov, V. Y. Musatov, V. A. Maksimenko, A. N. Pisarchik, A. E. Runnova, A. E. Hramov // Cybernetics and Physics. — 2017. — Vol. 6. — Pp. 103-107.

[254] Runnova, A. E. The study of cognitive processes in the brain EEG during the perception of bistable images using wavelet skeleton // Dynamics and Fluctuations in Biomedical Photonics XIV / International Society for Optics and Photonics. — Vol. 10063. — 2017. — P. 1006319.

[255] Runnova, A. E. Mathematical approach to recover EEG brain signals with artifacts by means of gram-schmidt transform // Saratov Fall Meeting 2016: Laser Physics and Photonics XVII; and Computational Biophysics and Analysis of Biomedical Data III / International Society for Optics and Photonics. — Vol. 10337. — 2017. — P. 103370Y.

[256] Runnova, A. E. Dealing with noise and physiological artifacts in human EEG recordings: empirical mode methods // Saratov Fall Meeting 2016: Laser Physics and Photonics XVII; and Computational Biophysics and Analysis of Biomedical Data III / International Society for Optics and Photonics. — Vol. 10337. — 2017.—P. 1033712.

[257] Runnova, A. E. The study of evolution and depression of the alpha-rhythm in the human brain EEG by means of wavelet-based methods // Saratov Fall Meeting 2016: Laser Physics and Photonics XVII; and Computational Biophysics and Analysis of Biomedical Data III / International Society for Optics and Photonics. — Vol. 10337. — 2017. — P. 1033713.

[258] Runnova, A. E. Theoretical background and experimental measurements of human brain noise intensity in perception of ambiguous images / A. E. Runnova, A. E. Hramov, V. V. Grubov, A. A Koronovskii, M. K. Kurovskaya, A. N Pisarchik // Chaos, Solitons & Fractals. — 2016. — Vol. 93. — Pp. 201206.

[259] Грубов, В. В. Адаптивная фильтрация сигналов электроэнцефалограмм с использованием метода эмпирических мод / В. В. Грубов, А. Е. Руннова, А. А. Короновский, А. Е. Храмов // Письма в ЖТФ. — 2017. — Vol. 43, no. 13. — P. 58.

[260] Grubov, V. V. Demonstration of brain noise on human EEG signals in perception of bistable images // Dynamics and Fluctuations in Biomedical Photonics XIII / International Society for Optics and Photonics. — Vol. 9707. — 2016. — P. 97070Z.

[261] Filatova, A. E. Synchronization in networks of spatially extended systems / A. E. Filatova, A. E. Hramov, A. A. Koronovskii, S. Boccaletti // Chaos: An Interdisciplinary Journal of Nonlinear Science. — 2008. — Vol. 18, no. 2. — P. 023133.

[262] Runnova, A. E. Mathematical model of pattern selection for complex multichannel data in EEG processing / A. E. Runnova // Information and Control Systems. — 09 2018. — Pp. 39-44.

[263] Руннова, A. Е. Метод вейвлет-анализа паттернов двигательной активности на экспериментальных данных многоканальной электроэнцефалографии человека для управления внешними устройствами / A. Е. Руннова, B. А. Максименко, C. В. Пчелинцева, Р. А. Куланин, А. Е. Храмов // Information & Control Systems/Informazionno-Upravlyaushie Sistemy. — 2018.— Vol. 92, no. 1. — Pp. 22-39.

[264] Диагностика опасных состояний операторов при критических сочетаниях событий в человеко-машинных системах / В. В. Клюев, А. Ф. Резчиков, В. А. Кушников, А. А. Иващенко, А. С. Богомолов, Л. Ю. Филимонюк, А. Е. Храмов, А. Е. Руннова // Вестник компьютерных и информационных технологий.— 2017.— no. 8.— Pp. 48-56.

[265] Руннова, А. Е. Разработка методов экспресс-оценки качества полевого материала на базе вейвлетных преобразований / А. Е. Руннова, А. А. Крылов, А. Е. Храмов // Приборы и системы разведочной геофизики. — 2016. — Vol. 55, no. 1. — Pp. 17-22.

[266] Руннова, А. Е. Фильтрация звуковых и поверхностных волн-помех на данных сейсмической разведки методами многомасштабного дискретного вейвлетного анализа / А. Е. Руннова, А. Н. Павлов, А. Е.

Артемьев, М. В. Храмова, А. Е. Храмов // Вестник Тамбовского университета. Серия: Естественные и технические науки. — 2014. — Vol. 19, no. 3. —Pp. 918-922.

[267] Астрономо-климатические циклы в разрезе верхнемеловых отложений Саратовского Поволжья / Р. Р. Габдуллин, Е. Н. Самарин, А. В. Иванов, А. Е. Храмов, А. А. Короновский, А. Е. Руннова, И. А. Яшков et al. // ББК 26.3 я43 Г36. — 2014. — P. 30.

[268] Анализ и диагностика многокомпонентных сигналов сейсмограмм с использованием преобразования Гильберта-Хуанга / А. Н. Павлов, А. Е. Филатова (Руннова), А. Е. Храмов, А. В. Иванов, С. А. Шурыгина, С. А. Куркин, О. И. Москаленко, О. Н. Павлова // Вестник ТГУ. — August 2012. — Т. 17, № 4. — С. 1121-1124.

[269] Филатова (Руннова), А. Е. Метод автоматической диагностики на основе непрерывного вейвлетного преобразования различных волновых составляющих сложных нестационарных сигналов применительно к задачам геофизики / А. Е. Филатова (Руннова), А. Е. Артемьев, А. А. Овчинников, А. А. Короновский, А. Е. Храмов // Известия Вузов. Прикладная нелинейная динамика. — 2011. — Т. 19, № 3. — С. 127-142.

[270] Филатова (Руннова), А. Е. Успехи и перспективы применения вейвлет-ных преобразований для анализа нестационарных нелинейных данных в современной геофизике / А. Е. Филатова (Руннова), С. А. Артемьев, А. А. Короновский, А. Н. Павлов, А. Е. Храмов // Известия Вузов. Прикладная нелинейная динамика. — 2010. — Т. 18, № 3. — С. 3-23.

[271] Писарчик, А. Н. Способ идентификации человека по ЭЭГ-отклику на неоднозначные изображения. Патент на изобретение № 2647677 / А. Н. Писарчик, В. Ю. Мусатов, А. Е. Руннова, С. В. Пчелинцева, А. Е. Храмов // Официальный бюллетень Федеральной службы по интеллектуальной собственности, патентам и товарным знакам. Москва: ФИПС 28.03.2018. — 03 2018.

[272] Руннова, А. Е. Программа для ЭВМ для предварительной обработки ЭЭГ сигналов, регистрируемых в стандартных и произвольных расстановках, для дальнейших постобработки методами вейвлетного анализа и постидентификации восприятия объектов методами искусственных нейронных сетей / А. Е. Руннова, А. Е. Храмов, М. О. Журавлев // Свидетельство о государственной регистрации программы для ЭВМ № 2017619058. — 2017.

[273] Руннова, А. Е. Программа ЭВМ обеспечения сложного дизайна нейрофизиологического эксперимента в области исследования двигательной активности различных типов при синхронной электроэнцефалографической регистрации у человека / А. Е. Руннова, А. В. Андреев, М. О.

Журавлев // Свидетельство о государственной регистрации программы для ЭВМ № 2018612999.- 2018.

[274] Руннова, А. Е. Программа для ЭВМ для предварительной обработки ЭЭГ сигналов, регистрируемых в стандартных и произвольных расстановках, для дальнейших постобработки методами вейвлетного анализа и постидентификации восприятия объектов методами искусственных нейронных сетей / А. Е. Руннова, А. Е. Храмов, М. О. Журавлев // Свидетельство о государственной регистрации программы для ЭВМ № 2017619058.- 2017.

[275] Руннова, А. Е. Программа диагностики когнитивного шума человека на базе виртуальных стимулов неоднозначных изображений / А. Е. Руннова, А. Е. Храмов, М. О. Журавлев // Свидетельство о государственной регистрации программы для ЭВМ № 2017619176. — 2017.

[276] Руннова, А. Е. Программа для ЭВМ классификации паттернов движений человека по экспериментальным данным ЭЭГ на основе непрерывного вейвлетного преобразования / А. Е. Руннова, А. Е. Храмов, М. О. Журавлев // Свидетельство о государственной регистрации программы для ЭВМ № 2017613164. — 2017.

[277] Руннова, А. Е. Программа для ЭВМ на базе вейвлетного анализа предоставляющая возможность оценки основных характерных ритмов активности головного мозга (альфа-, бета-, гамма-ритмы) / А. Е. Руннова, А. Е. Храмов, М. О. Журавлев // Свидетельство о государственной регистрации программы для ЭВМ № 2017613679. — 2017.

[278] Руннова, А. Е. Программный комплекс по фильтрации данных ЭЭГ для последующего выделения вызванных потенциалов / А. Е. Руннова, А. Е. Храмов, М. О. Журавлев, А. Н. Павлов // Свидетельство о государственной регистрации программы для ЭВМ № 2017619455.— 2017.

[279] Руннова, А. Е. Программа для ЭВМ по удалению мышечных артефактов на сигнале ЭЭГ на базе преобразования Гильберта-Хуанга (Huang EMG Artifact Filtration) / А. Е. Руннова, В. В. Грубов, А. Е. Храмов, М. О. Журавлев // Свидетельство о государственной регистрации программы для ЭВМ № 2017613643. — 2017.

[280] Руннова, А. Е. Программа для ЭВМ многоканального выделения устойчивых паттернов по сигналам ЭЭГ на базе адаптивного вейвлетного преобразования / А. Е. Руннова, А. Е. Храмов, М. О. Журавлев // Свидетельство о государственной регистрации программы для ЭВМ № 2017613305. — 2017.

[281] Руннова, А. Е. Программа для ЭВМ для графического отображения геофизической информации полевых данных сейсмической разведки

(GeoSeismicVisualizator) У А. E. Руннова, А. E. Храмов, М. О. Журавлев УУ Свидетельство о государственной регистрации программы для ЭВМ № 2014617815. — 2014.

[282] Максименко, В. А. Программа для ЭВМ для расчета и многофакторного разделения полей сейсмических атрибутов на области однородности в задачах обработки данных наземной сейсмической разведки (AtributAnalyzer) У В. А. Максименко, А. E. Храмов, А. А. Коронов-ский, А. E. Руннова // Свидетельство о государственной регистрации программы для ЭВМ № 2014661931. — 2014.

[283] Руннова, А. E. Программа для анализа характеристик различных компонент сигналов сейсмической разведки с использованием вейвлетного преобразования У А. E. Руннова, А. А. Короновский, А. E. Храмов УУ Свидетельство о государственной регистрации программы для ЭВМ № 2013610803. — 2013.

[284] Филатова (Руннова), А. E. Программа по анализу и выделению характеристик осцилляторных паттернов в экспериментальных временных рядах, обусловленных звуковыми и поверхностными волнами-помехами, регистрируемыми при проведении наземной сейсмической разведки МОВ / А. E. Филатова (Руннова), А. А. Овчинников, А. А. Короновский, А. E. Храмов // Свидетельство о государственной регистрации программы для ЭВМ № 2012613427. — 2012.

[285] Филатова (Руннова), А. E. Программа для реализации обратного непрерывного вейвлетного преобразования для восстановления цифрового сигнала после фильтрации с использованием вейвлетного преобразования / А. E. Филатова (Руннова), А. А. Короновский, А. E. Храмов // Свидетельство о государственной регистрации программы для ЭВМ № 2010613663. — 2010.

[286] Руннова, АЛ. Вейвлеты в геофизике: обработка сигналов в сейсморазведке / АЛ. Руннова, АЛ. Храмов, А.А. Короновский, АЛ. Павлов, А.В. Иванов. — Москва: Издательство "Университетская книга", 2013.

[287] Czarnul, P. Parallel Programming for Modern High Performance Computing Systems / P. Czarnul. — Chapman and Hall/CRC, 2018.

[288] Malehmir, A. Why 3D seismic data are an asset for exploration and mine planning? velocity tomography of weakness zones in the Kevitsa Ni-Cu-PGE mine, northern Finland / A. Malehmir, A. Tryggvason, C. Wijns, E. Koivisto, T. Lindqvist, P. Skyttä, M. Montonen // Geophysics. — 2018. — Vol. 83, no. 2. — Pp. B33-B46.

[289] Qian, F. Unsupervised seismic facies analysis via deep convolutional autoencoders / F. Qian, M. Yin, X.-Y. Liu, Y.-J. Wang, C. Lu, G.-M. Hu // GEOPHYSICS. — 2018. — Vol. 83, no. 3. — Pp. A39-A43.

[290] Huang, X. Linearized formulations and approximate solutions for the complex eikonal equation in orthorhombic media and applications of complex seismic traveltime / X. Huang, S. Greenhalgh // GEOPHYSICS. — 2018. — Vol. 83, no. 3. — Pp. C115-C136.

[291] Anifowose, F. Integrating seismic and log data for improved petroleum reservoir properties estimation using non-linear feature-selection based hybrid computational intelligence models / F. Anifowose, S. Adeniye, A. Abdulra-heem, A. Al-Shuhail // Journal of Petroleum Science and Engineering. — 2016. — Vol. 145. — Pp. 230-237.

[292] Ba, J. Seismic attenuation due to heterogeneities of rock fabric and fluid distribution / J. Ba, J. M. Carcione, W. Sun // Geophysical Journal International. — 2015. — Vol. 202, no. 3. — Pp. 1843-1847.

[293] Chang, D. Seismic data denoising based on sparse and redundant representation / D. Chang, Y. Wang, G. Zhang // SEG Technical Program Expanded Abstracts 2015.— Society of Exploration Geophysicists, 2015.— Pp. 46934697.

[294] Xie, Q. Seismic data analysis using synchrosqueezeing wavelet transform-a case study applied to boonsville field // 77th EAGE Conference and Exhibition 2015. — 2015.

[295] Jansen, J. Repurposing petroleum seismic reflection data to visualize aquifers as never before // 2015 NGWA Groundwater Expo and Annual Meeting / Ngwa. — 2015.

[296] Steeghs, P. Acquisition and processing of a high resolution 3D seismic survey-offshore Netherlands // 77th EAGE Conference and Exhibition 2015. — 2015.

[297] Wei, W. On horizontal resolution for seismic acquisition geometries in complex 3D media / W. Wei, L.-Y. Fu // Journal of Applied Geophysics. — 2014. — Vol. 108. — Pp. 43 - 52.

[298] Ba, J. Seismic exploration of hydrocarbons in heterogeneous reservoirs: New theories, methods and applications / J. Ba, J. M. Carcione, Q. Du, H. Zhao, T. Muller. — Elsevier, 2014.

[299] Di, H. Gray-level transformation and canny edge detection for 3D seismic discontinuity enhancement / H. Di, D. Gao // Computers & Geosciences. — 2014. — Vol. 72. — Pp. 192 - 200.

[300] Reine, C. The robustness of seismic attenuation measurements using fixed-and variable-window time-frequency transforms / C. Reine, N. Van der Baan, R. Clark // Geophysics. — 2009. — Vol. 74, no. 2. — P. WA123.

[301] Eichkitz, C. G. Calculation of grey level co-occurrence matrix-based seismic attributes in three dimensions / C. G. Eichkitz, J. Amtmann, M. G. Schreilechner // Computers & Geosciences. — 2013. — Vol. 60. — Pp. 176 -183.

[302] van Bemmel, P. Seismic signal processing and apparatus for generating a cube of variance values / P. van Bemmel, R. E. F. Pepper // U.S. Patent Number 6, 151, 555. — 2000.

[303] Dong, W. Avo detectability against tuning and stretching artifacts / W. Dong // Geophysics. — 1999. — Vol. 64, no. 2. — Pp. 494-503.

[304] Evans, B. J. A Handbook for seismic data acquisition in exploration / B. J. Evans. — Tulsa: Society of Exploration Geophysicists, 1997.

[305] Foster, D. J. Another perspective on avo crossplotting / D. J. Foster, R. G. Keys, J. M. Reilly // The Leading Edge.— 1997.— Vol. 16, no. 9.— Pp. 1233-1237.

[306] Oostenveld, R. FieldTrip: open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data / R. Oostenveld, P. Fries, E. Maris, J.-M. Schoffelen // Computational intelligence and neuroscience. — 2011. — Vol. 2011. — P. 1.

[307] Ovchinnikov, A. A. An algorithm for real-time detection of spike-wave discharges in rodents / A. A. Ovchinnikov, A. Luttjohann, A. E. Hramov, G. Luijtelaar van // Journal of Neuroscience Methods. — 2010. — Vol. 194. — Pp. 172-178.

[308] Яковенко, И. А. Анализ вызванной электрической активности коры головного мозга с помощью вейвлет-преобразования на разных стадиях установки на эмоциональное выражение лица / И. А. Яковенко, Е. А. Черемушкин, М. К. Козлов // Журнал высшей нервной деятельности им. ИП Павлова. — 2010. — Vol. 60, no. 4. — Pp. 409-418.

[309] Ocak, H. Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy / H. Ocak // Expert Systems with Applications. — 2009. — Vol. 36. — Pp. 2027-2036.

[310] Алексеев, В. И. Вейвлетный анализ сейсмических изображений / В. И. Алексеев, А. Н. Бобрышев // Геофизика. — 2009. — Т. 3. — С. 12.

[311] Teplan, M. Phase synchronization in human EEG during audio- visual stimulation / M. Teplan, K. Susmakova, M. Palus, M. Vejmlka // Electromagnetic Biology and Medicine. — 2009. — Vol. 28(1). — Pp. 80-84.

[312] Slobounov, S. Differential effect of first versus second concussive episodes on wavelet information quality of EEG / S. Slobounov, C. Cao, W. Sebastianel-li // Clinical Neurophysiology. — May 2009. — Vol. 120. — Pp. 862-867.

[313] Hsu, W. EEG-based motor imagery analysis using weighted wavelet transform features / W. Hsu, Y. Sun // Journal of Neuroscience Methods. — 2009. — Vol. 176. — Pp. 310-318.

[314] Ke, L. Classification of EEG signals by multi-scale filtering and PCA // IEEE International Conference on Intelligent Computing and Intelligent Systems, 20-22 November 2009. ICIS 2009. — 2009. — Pp. 362-366.

[315] Sitnikova, E. Sleep spindles and spike-wave discharges in EEG: Their generic features, similarities and distinctions disclosed with fourier transform and continuous wavelet analysis / E. Sitnikova, A. E. Hramov, A. A. Koronovskii, G. Luijtelaar // Journal of Neuroscience Methods. — 2009. — Vol. 180. — Pp. 304-316.

[316] Leung, H. Wavelet-denoising of electroencephalogram and the absolute slope method: A new tool to improve electroencephalographic localization and lateralization / H. Leung, K. Schindler, A. Y. Y. Chan, A. Y. L. Lau, K. Lau, E. H. S. Ng, W. K.S. // Clinical Neurophysiology. — 2009.— Vol. 120).— Pp. 1273-1281.

[317] Duru, A. Analysis of brain electrical topography by spatio-temporal wavelet decomposition / A. Duru, A. Ademoglu, T. Demiralp // Mathematical and Computer Modelling. — 2009. — Vol. 49. — Pp. 2224-2235.

[318] D'Avanzoa, C. A wavelet methodology for EEG time-frequency analysis in a time discrimination task / C. D'Avanzoa, V. Tarantinob, P. Bisiacchib, G. Sparacinoa // International Journal of Bioelectromagnetism. — 2009. — Vol. 11(4). — Pp. 185-188.

[319] Conlon, T. Seizure characterisation using frequency-dependent multivariate dynamics / T. Conlon, H. J. Ruskin, M. Crane // Med. Biol. Eng. Com-put. — 2009. — Vol. 39. — Pp. 760-767.

[320] Bonfiglio, L. Blink-related delta oscillations in the resting-state EEG: A wavelet analysis / L. Bonfiglio, S. Sello, P. Andre, M. C. Carboncini, P. Ar-righi, B. Rossi // Neuroscience Letters. — 2009. — Vol. 449. — Pp. 57-60.

[321] Sakai, M. Separation of electrocardiographic and encephalographic components based on signal averaging and wavelet shrinkage techniques / M. Sakai, D. Wei // Computers in Biology and Medicine. — 2009. — Vol. 39. — Pp. 620-629.

[322] Kousarrizi, M. R. N. Feature extraction and classification of EEG signals using wavelet transform, svm and artificial neural networks for brain computer interfaces // International Joint Conference on Bioinformatics, Systems Biology and Intelligent Computing, 2009. IJCBS '09, 3-5 Aug. — 2009. — Pp. 352-355.

[323] Adeli, H. A spatio-temporal wavelet-chaos methodology for EEG-based diagnosis of alzheimer's disease / H. Adeli, S. Ghosh-Dastidar, N. Dadmehr // Neuroscience Letters. — 2008. — Vol. 444. — Pp. 190-194.

[324] Ting, W. EEG feature extraction based on wavelet packet decomposition for brain computer interface / W. Ting, Y. Guo-zheng, S. Hong // Measurement. — 2008. — Vol. 41. — Pp. 618-625.

[325] Bob, P. EEG phase synchronization in patients with paranoid schizophrenia / P. Bob, M. Palus, M. Susta, K. Glaslova // Neuroscience Letters. — 2008. — Vol. 447. — Pp. 73-77.

[326] Ocak, H. Optimal classification of epileptic seizures in EEG using wavelet analysis and genetic algorithm / H. Ocak // Signal Processing. — 2008.— Vol. 88. —Pp. 1858-1867.

[327] Cvetkovic, D. Wavelet transform feature extraction from human PPG, ECG, and EEG signal responses to ELF PEMF exposures: A pilot study / D. Cvetkovic, E. D. Ubeyli, I. Cosic // Digital Signal Processing. — 2008. — Vol. 18. — Pp. 861-874.

[328] Polat, K. A novel data reduction method: Distance based data reduction and its application to classification of epileptiform EEG signals / K. Polat, S. Giines // Applied Mathematics and Computation. — 2008. — Vol. 200. — Pp. 10-27.

[329] Vugt van, M.K. Comparison of spectral analysis methods for characterizing brain oscillations / M.K. Vugt van, P.B. Sederberg, M.J. Kahana // Journal of Neuroscience Methods. — May 2007. — Vol. 162. — Pp. 49-63.

[330] Wan, X. Artifact reduction for EEG/fMRI recordings: nonlinear reduction of ballistocardiogram artifacts / X. Wan, K. Iwata, J. Riera, T. Ozaki, M. Kita-mura, R. Kawashima // Clin Neurophysiol. — 2006. — Vol. 117. — Pp. 1-13.

[331] Rosso, O. A. EEG analysis using wavelet-based information tools / O. A. Rosso, M. T. Martin, A. Figliola, K. Keller, A. Plastino // Journal of Neuroscience Methods. — 2006. — Vol. 153. — Pp. 163-182.

[332] Wan, X. Artifact reduction for simultaneous EEG/fMRI recording: Adaptive fir reduction of imaging artifacts / X. Wan, K. Iwata, J. Riera, M. Kitamura, R. Kawashima // Clinical Neurophysiology. — March 2006.— Vol. 117.— Pp. 681-692.

[333] Castellanos, N.P. Recovering EEG brain signals: Artifact suppression with wavelet enhanced independent component analysis / N.P. Castellanos, V.A. Makarov // Journal of Neuroscience Methods. — December 2006. — Vol. 158. — Pp. 300-312.

[334] Determination of dominant simulated spindle frequency with different methods / E. Huupponen, W. D. Clercq, G. Gomez-Herrero, A. Saastamoinen, K. Egiazarian, A. Varri, B. Vanrumste et al. // Journal of Neuroscience Methods. — 2006. — Vol. 156. — Pp. 275-283.

[335] Lopes da Silva, F. H. Electric fields of the brain: the neurophysics of EEG / F. H. Lopes da Silva, P. L. Nunez, K. Srinivasan. — Oxford University Press, 2006.

[336] Mosheni, H. R. Seizure detection in EEG signals: A comparison of different approaches / H. R. Mosheni, M. B. Shamsollahi // IEEE International Conference of the Engineering in Medicine and Biology Society. — 2006. — Vol. 1. — P. 53.

[337] Alexander, D. Measurement of phase gradients in the EEG / D. Alexander, C. Trengove, J. Wright, P. Boord, E. Gordon // Journal of Neuroscience Methods. — 2006. — Vol. 156. — Pp. 111-128.

[338] Nikolaev, A.R. Evoked phase synchronization between adjacent high-density electrodes in human scalp EEG: Duration and time course related to behavior / A.R. Nikolaev, G. Pulin, C. van Leeuwen // Clinical Neurophysiology. — 2005. — Vol. 116. — Pp. 2403-2419.

[339] Acir, N. Automatic recognition of sleep spindles in EEG via radial basis support vector machine based on a modified feature selection algorithm / N. Acir, C. Giizelis // Neural Comput & Applic.— 2005.— Vol. 14.— Pp. 56-65.

[340] Murata, A. An attempt to evaluate mental workload using wavelet transform of EEG / A. Murata // Hum Factors. — 2005. — Vol. 47. — Pp. 498-508.

[341] Carlqvist, H. Amplitude and phase relationship between alpha and beta oscillations in the human electroencephalogram / H. Carlqvist, V. V. Nikulin, J. O. Stromberg, T. Brismar // Med. Biol. Eng. Comput. — 2005. — Vol. 43. — Pp. 599-607.

[342] Mizuno-Matsumoto, Y. Wavelet-crosscorrelation analysis: non-stationary analysis of neurophysiology signals / Y. Mizuno-Matsumoto, S. Ukai, S. Date, T. Kaishima, M. Takeda, S. Tamura, T. Inouyre // Brain Topography. — 2005. — Vol. 17(4). — Pp. 237-252.

[343] Smirnov, D. A. Estimation of coupling between oscillators from short time series via phase dynamics modeling: Limitations and application to EEG data / D. A. Smirnov, M. B. Bodrov, J. L. P. Velazquez, R. A. Wennberg, B. P. Bezruchko // Chaos. — 2005. — Vol. 15. — P. 024102.

[344] Makinen, V. T. The use of stationarity and nonstationarity in the detection and analysis of neural oscillations / V. T. Makinen, P. J. C. May, H. Tiiti-nen // Neurolmage. — 2005. — Vol. 28. — Pp. 389-400.

[345] Kiymik, K. Comparison of stft and wavelet transform methods idetermining epileptic seizure activit in EEG signals for real-time application / K. Kiymik, I. Güler, A. Dizibüyüka, M. Akin // Computers in Biology and Medicine. — 2005. — Vol. 35. — Pp. 603-616.

[346] Glassman, E. A wavelet-like filter based on neuron action potentials for analysis of human scalp electroencephalographs / E. Glassman // IEEE Trans. on Biomedical Engineering. — 2005. — Vol. 52(11). — Pp. 1851-1862.

[347] Kannathala, N. Entropies for detection of epilepsy in EEG / N. Kannatha-la, M. L. Choob, U. R. Acharyab, P. K. Sadasivana // Comp. Meth. in Biomed. — 2005. — Vol. 3. — Pp. 125-131.

[348] Buzsaki, G. Large-scale recording of neuronal ensembles / G. Buzsaki // Nature Neurosci. — 2004. — Vol. 7, no. 5. — Pp. 446-451.

[349] Niedermeyer, E. Electroencephalography: Basic Principles, Clinical Applications, and Related Fields / E. Niedermeyer, F. L. da Silva. — Lippincot Williams & Wilkins, 2004.

[350] Durka, P. J. From wavelets to adaptive approximations: time-frequency parametrization of EEG / P. J. Durka // Biomed. Eng. — 2003. — Vol. 2. — P. 1.

[351] Guger, C. How many people are able to operate an EEG-based brain-computer interface (BCI)? / C. Guger, G. Edlinger, W. Harkam, I. Niedermayer, G. Pfurtscheller // IEEE Trans. Rehab. Eng. — 2003.— Vol. 11.— P. 145.

[352] Rosso, O. A. Wavelet analysis of generalized tonic-clonic epileptic seizures / O. A. Rosso, S. Blanco, A. Rabinowicz // Signal Processing.— 2003.— Vol. 83. —Pp. 1275-1289.

[353] Adeli, H. Analyses of EEG records in an epileptic patient using wavelet transform / H. Adeli, Z. Zhou, N. Dadmehr //J. Neuroscience Methods.— 2003. — Vol. 123. — Pp. 69-87.

[354] A multivariate, spatiotemporal analysis of electromagnetic time-frequency data of recognition memory / E. Duzel, R. Habib, B. Schott, A. Schoenfeld, N. Lobaugh, A. R. McIntosh, M. Scholz, H. J. Heinzea // NeuroImage. — 2003. —Vol. 18.—Pp. 185-197.

[355] Latka, M. Wavelet analysis of epileptic spikes / M. Latka, Z. Wast, A. Kozik, J. West // Phys. Rev. E. — 2003. — Vol. 67. — P. 052902.

[356] Gibbs, F. A. The electroencephalogram in epilepsy and in conditions of impaired consciousness / F. A. Gibbs, H. Davis, W. G. Lennox // Arc Neurol Psych (Chicago). — 2002. — Vol. 34. — Pp. 1133-1148.

[357] Krausz, G. Stimulus-preceding negativity and oscillatory changes of the EEG in a non-motor anticipation paradigm / G. Krausz, C. Brunia, C. Ne-uper, G. Pfurtscheller // Int. J. Psychophysiology. — 2002.— Vol. 45.— P. 124.

[358] Tong, S. Removal of ECG interference from the EEG recordings in small animals using independent component analysis / S. Tong, A. Bezerianos, J. Paul, Y. Zhu, N. Thakor // J Neurosci Meth. — 2001.— Vol. 108.— Pp. 11-17.

[359] Quiroga, R. Q. Wavelet entropy in event-related potentials: a new method shows ordering of EEG oscillations / R. Q. Quiroga, O. A. Rosso, E. Base, M. Schurmann // Biol. Cybern. — 2001. — Vol. 84. — Pp. 291-299.

[360] Penny, W. D. EEG-based communication: A pattern recognition approach / W. D. Penny, S. J. Roberts, E. A. Curran, M. J. Stokes // IEEE Trans. Rehab. Eng. — 2000. — Vol. 8. — Pp. 214-215.

[361] Lauer, R. T. Applications of cortical signals to neuroprosthetic control: A critical review / R. T. Lauer, P. H. Peckham, K. L. Kilgore, W. J. Heet-derks // IEEE Trans. Rehab. Eng. — 2000. — Vol. 8. — Pp. 205-208.

[362] Goelz, H. Wavelet analysis of transient biomedical signals and its application to detection of epileptiform activity in the EEG / H. Goelz, J. R., P. Bones // Clin Electroenc. — 2000. — Vol. 31. — Pp. 181-191.

[363] Lee, T. Independent component analysis using an extended infomax algorithm for mixed subgaussian and supergaussian sources / T. Lee, M. Girolo-mi, T. Sejnowski // Neural Comput. — 1999. — Vol. 11. — Pp. 417-441.

[364] Klimesch, W. Memory processes, brain oscillations and EEG synchronization / W. Klimesch // Brain Res. Rev. — 1999. — Vol. 29. — P. 169.

[365] Muthuswamy, J. Spectral analysis methods for neurological signals / J. Muthuswamy, N. V. Thakor // Journal of Neuroscience Methods. — 1998. —Vol. 83. — Pp. 1-14.

[366] Vigario, R. Extraction of ocular artifats from EEG using independent component analysis / R. Vigario // Electroencephal Clin Neurophysiol. — 1997. — Vol. 103. — Pp. 395-404.

[367] Vidal, J. J. Real-time detection of brain events in EEG / J. J. Vidal // Proc. IEEE. — 1997. — Vol. 65. — Pp. 633-664.

[368] Nunez, P. L. Neocortical dynamics and human EEG rhythms / P. L. Nunez, B. A. Cutillo. — Oxford University Press, USA, 1995.

[369] Nunez, P. L. Neocortical Dynamics and Human EEG Rhythms / P. L. Nunez. — New York, London, Oxford University Press, 1994.

[370] Drinkenburg, W. H. Aberrant transients in the EEG of epileptic rats: a spectral analytical approach / W. H. Drinkenburg, G. Luijtelaar, W. J. Schaijk van, A. M. Coenen // Physiol. Behav. — 1993. — Vol. 54. — P. 779.

[371] Speckmann, E. J. Basic Mechanisms of the EEG / E. J. Speckmann, U. Al-trup; Ed. by E. J. Speckmann, S. Zschocke. Brain Dynamic series. — Boston, Birknauser, 2011.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.