T. (MCDXCII) 1418 - Rozprawy i Studia - Wydawnictwo Naukowe Uniwersytetu Szczecińskiego

ISBN: 978-83-8419-059-3 ISBN (online): 978-83-8419-060-9 ISSN: 0860-2751 OAI DOI: 10.18276/978-83-8419-060-9

Lista wydań / T. (MCDXCII) 1418

Rok wydania:	2025
Dziedzina:	Dziedzina nauk społecznych
Dyscyplina:	ekonomia i finanse
Autorzy:	Krzysztof Michał Lorenz Uniwersytet Szczeciński

Informacje

Wersja elektroniczna publikacji dostępna na licencji CC BY-SA 4.0 po 12 miesiącach od daty wprowadzenia do obrotu: grudzień 2025

Wersję drukowaną publikacji można nabyć w sklepie Wydawnictwa Naukowego Uniwersytetu Szczecińskiego: wn.usz.edu.pl/sklep/

Abstrakt

Niniejsza monografia oparta jest na pracy doktorskiej Metoda selekcji cech wykorzystująca paradygmat algorytmu genetycznego dostosowana do specyficznych charakterystyk interfejsów mózg–komputer obronionej w 2024 roku na Wydziale Informatyki Zachodniopomorskiego Uniwersytetu Technologicznego w Szczecinie.

Opracowanie nowego algorytmu okazało się dużym wyzwaniem badawczym, ponieważ fale mózgowe występujące u poszczególnych użytkowników interfejsu mózg–komputer są specyficzne, zatem niezbędne jest ekstrahowanie bardzo dużej liczby nadmiarowych cech. Spośród nich wybierane są jedynie te cechy, które dla danego użytkownika wykazują najwyższą zdolność dyskryminacyjną. Dlatego liczba cech ekstrahowanych z sygnału EEG na etapie estymacji parametrów klasyfikatora stanowiącego rdzeń interfejsu może być liczona w setkach, a nawet w tysiącach. Żeby jednak interfejs mógł działać w trybie zbliżonym do rzeczywistego, konieczne jest jak największe ograniczenie liczby cech, które trzeba ekstrahować z sygnału przy generowaniu każdej kolejnej instrukcji sterującej. Kolejnym problemem jest to, że z uwagi na wspomnianą powyżej wysoką specyficzność fal mózgowych zbiór danych gromadzonych w trakcie sesji trenującej (na podstawie którego estymowane są następnie parametry klasyfikatora) wymaga najczęściej przeprowadzenia sesji z każdym z użytkowników z osobna. To powoduje, że zbiór danych dostępnych dla procesu kalibracji interfejsu jest z reguły niewielki i wynosi najczęściej od 100 do 200 rekordów, co jest bardzo niewielką liczbą w porównaniu z tysiącami cech możliwych do ekstrakcji z sygnału EEG. W związku z tym selekcja kilku–kilkunastu cech o najwyższych zdolnościach dyskryminacyjnych jest niezmiernie ważnym, a jednocześnie trudnym do przeprowadzenia, etapem w budowie interfejsu opartego na wyobrażeniu ruchu.

Z ekonomicznego punktu widzenia rozwój interfejsów mózg–komputer stanowi istotny impuls dla wzrostu sektora zaawansowanych technologii. Technologia ta stymuluje innowacje, sprzyja powstawaniu startupów oraz zwiększa zapotrzebowanie na wysoko wykwalifikowaną kadrę w dziedzinach takich jak sztuczna inteligencja, inżynieria biomedyczna czy informatyka. Rosnąca wartość globalnego rynku BCI czyni go atrakcyjnym obszarem inwestycyjnym i źródłem przewag konkurencyjnych w gospodarce cyfrowej. W tym kontekście kluczowe znaczenie ma optymalizacja procesu selekcji cech, która wpływa na ograniczenie kosztów obliczeniowych i skrócenie czasu przetwarzania danych, zwiększając tym samym efektywność wdrażania systemów BCI. Zmniejszenie liczby cech wejściowych prowadzi do obniżenia zapotrzebowania na zasoby IT, energię i personel techniczny, co przekłada się na niższe koszty operacyjne oraz lepszą skalowalność rozwiązań. Opracowany w niniejszej pracy algorytm GAAMmf, oparty na paradygmacie algorytmu genetycznego, umożliwia efektywną redukcję zbioru cech przy zachowaniu wysokiej jakości predykcji, mierzonej precyzją klasyfikacji wzorców aktywności mózgowej. Zaproponowane podejście znajduje zastosowanie nie tylko w systemach BCI, lecz także w innych sektorach gospodarki opartych na analizie danych i sztucznej inteligencji, takich jak finanse, logistyka, handel elektroniczny czy zarządzanie ryzykiem. W tych obszarach precyzyjna selekcja cech pozwala skrócić czas podejmowania decyzji, ograniczyć koszty predykcji i zwiększyć efektywność alokacji zasobów. Tym s amym s elekcja c ech s taje s ię n arzędziem o strategicznym znaczeniu ekonomicznym, wspierającym rozwój analityki danych, automatyzację procesów decyzyjnych oraz transformację cyfrową organizacji.

Monografia stanowi rozszerzenie rozprawy doktorskiej, której celem było opracowanie metody selekcji cech opartej na algorytmach genetycznych dostosowanej do specyficznych charakterystyk interfejsów mózg–komputer, to jest do konieczności zachowania informacji o pierwotnej lokalizacji cechy oraz ograniczenia przestrzeni cech do jedynie kilku–kilkunastu istotnych cech. Zaproponowana metoda selekcji cech pozwoliła na uzyskanie zbioru cech o wyższych lub porównywalnych zdolnościach dyskryminacyjnych, mierzonych precyzją klasyfikacji wzorców aktywności mózgowej oraz o mniejszej liczbie cech niż metody referencyjne.

Bibliografia

1.	[1] A. Cudo, E. Zabielska, B. Bałaj, Wprowadzenie w zagadnienie interfejsów mózg–komputer, „Studia z Psychologii w KUL” 2011, tom 17, s. 189–211.
2.	[2] B. Allison, B.Z. Pfurtscheller, G. Graimann, Brain computer interfaces revolutionizing human computer interaction, New York: Springer, 2010.
3.	[3] N. Birbaumer, Breaking the silence: brain–computer interfaces (BCI) for communication and motor control, „Psychophysiology” 2006, vol. 43, s. 517–532.
4.	[4] I. Rejer, Genetic algorithms in EEG feature selection for the classification of movements of the left and right hand, [w:] Advances in intelligent systems and computing, eds. R. Burduk, K. Jackowski, M. Kurzynski, M. Wozniak, A. Zolnierek, Heidelberg: Springer, 2013.
5.	[5] J.R. Wolpaw, N. Birbaumer, D.J. McFarland, G. Pfurtscheller, T.M. Vaughan, Brain– computer interfaces for communication and control, „Clinical Neurophysiology” 2002, vol. 113, s. 767–791.
6.	[6] M.G. Cheng, Design and implementation of a brain–computer interface with high transfer rates, „IEEE Transactions on Biomedical Engeneering” 2002, vol. 49, s. 1181–1186.
7.	[7] T. Kowalczyk, Interfejsy mózg–komputer jako rozwiązanie dla osób niepełnosprawnych. Pobrane z: http://ww2.ii.uj.edu.pl/~smietans/bio-sem/BCI.pdf (dostęp: 10.05.2017).
8.	[8] N. Birbaumer, L.G. Cohen, Brain–computer interfaces: communication and restoration of movement in paralysis, „Journal of Physiology” 2007, vol. 579, s. 621–636.
9.	[9] A. Broniec-Wójcik, Zastosowanie wybranych epizodów elektroencefalograficznych jako sygnału sterującego w interfejsie człowiek–maszyna, Kraków: Akademia Górniczo- Hutnicza w Krakowie, 2013.
10.	[10] A. Bruzzo, Seizure prediction and control in epilepsy, Bologna: Università degli Studi di Bologna, 2008.
11.	[11] S.-F. Liang, F.-Z. Shaw, C.-P. Young, D.-W. Chang, Y.-C. Liao, A closed-loop brain computer interface for real-time seizure detection and control, [w:] Annual International Conference of the IEEE Engineering in Medicine and Biology, Buenos Aires, Argentina, 2010.
12.	[12] M. Kołodziej, Przetwarzanie, analiza i klasyfikacja sygnału EEG na użytek interfejsu mózg–komputer, Warszawa: Politechnika Warszawska, 2011.
13.	[13] S.R. Mousavi, M. Niknazar, B.V. Vahdat, Epileptic Seizure Detection using AR Model on EEG Signals, [w:] Biomedical Engineering Conference, CIBEC 2008. Cairo International, s. 1–4.
14.	[14] E.A. Larsen, Classification of EEG signals in a brain–computer interface system, Gløshaugen: Norwegian University of Science and Technology, 2011.
15.	[15] A. Subasi, A. Alkan, E. Koklukaya, M.K. Kiymik, Wavelet neural network classification of EEG signals by using AR model with MLE preprocessing, „Neural Networks” 2005, vol. 18, no. 7, s. 985–997.
16.	[16] L. Huang, G. van Luijtelaar, Brain computer interface for epilepsy treatment, [w:] Brain– Computer Interface Systems – Recent Progress and Future Prospects, 2013, s. 239–252.
17.	[17] I. Hubner, J. Hubner, I. Witek, S. Kroczka, Stwardnienie zanikowe boczne z objawami piramidowo pozapiramidowymi oraz jako zespół paranowotworowy – opis dwóch przypadków, „Polski Przegląd Neurologiczny” 2017, tom 13, nr 3, s. 137–143.
18.	[18] Stwardnienie zanikowe boczne (ALS). Pobrane z: https://www.pratia.pl/s/resources/ item/stwardnienie-zanikowe-boczne-als (dostęp: 12.05.2023).
19.	[19] W Polsce odnotowuje się 90 tys. udarów niedokrwiennych rocznie. Pobrane z: https:// pulsmedycyny.pl/w-polsce-odnotowuje-sie-90-tys-udarow-niedokrwiennych-rocznie- 971045 (dostęp: 12.05.2023).
20.	[20] Wypadki drogowe w Polsce w 2022 r. Pobrane z: https://statystyka.policja.pl/st/ruch- -drogowy/76562,Wypadki-drogowe-raporty-roczne.html (dostęp: 23.05.2023).
21.	[21] I. Rejer, Genetic algorithms for feature selection for brain computer interface, „Journal of Artificial Intelligence Research” 2015, vol. 1, s. 1–15.
22.	[22] M.A. Brazier, A history of the electric al activity of the brain. The first half-century, London: Pitman, 1961.
23.	[23] E. Niedermeyer, F. Lopes de Silva, Historical aspect, [w:] Elektroencephalography. Basic principles, clinical applications and related fields, Philadelphia: Williams & Wilkins, 1999.
24.	[24] H. Berger, Über das Elektroenkephalogramm des Menschen, „Archiv für Psychiatrie Und Nervenkrankheiten” 1929, vol. 89, s. 527–570.
25.	[25] K. Lorenz, Przegląd algorytmów genetycznych stosowanych w procesie selekcji cech wyekstrahowanych z sygnału EEG, [w:] Młodzi naukowcy dla polskiej nauki, red. M. Kuczera, Kraków: CreativeTime, 2013.
26.	[26] H. Kwaśnicka, Ewolucyjne projektowanie sieci neuronowych, Wrocław: Oficyna Wydawnicza Politechniki Wrocławskiej, 2007.
27.	[27] R. Kurzacz, Metody rankingowe oparte o maszynę wektorów podpierających w zarządzaniu danymi finansowymi i biomedycznymi, Katowice: Politechnika Śląska, 2006.
28.	[28] G.H. John, R. Kovahi, K. Pfleger, Irrelevant features and the subset selection problem, Palo Alto: Stanford University, 1994.
29.	[29] Z. Michalewicz, Algorytmy genetyczne + struktury danych = programy ewolucyjne, Warszawa: WNT, 1995.
30.	[30] D. Garrett, D.A. Peterson, C. Anderson, M.H. Thaut, Comparison of linear, nonlinear, and feature selection methods for EEG signal classification, „IEEE Transactions on Neural Systems and Rehabilitation Engineering” 2003, vol. 11, no. 2, s. 141–145.
31.	[31] D. Koller, M. Sahami, Toward optimal feature selection, [w:] International Conference on Machine Learning, Stanford: Stanford InfoLab, 1996, s. 284–292.
32.	[32] G. Pfurtscheller, D. Flotzinger, J. Kalcher, Brain–computer interface – a new communication device for handicapped persons, „Journal of Microcomputer Application” 1993, vol. 16, s. 293–299.
33.	[33] D.A. Peterson, J.N. Knight, M.J. Kirby, C.W. Anderson, M.H. Thaut, Feature selection and blind source separation in an EEG-based brain–computer interface, „Journal on Applied Signal Processing” 2005, vol. 19, s. 3128–3140.
34.	[34] E. Yom-Tov, G.F. Inbar, Feature selection for the classification of movements from single movement-related potentials, „IEEE Transactions on Neural Systems and Rehabilitation Engineering” 2002, vol. 10, no. 3, s. 170–177.
35.	[35] M. Kołodziej, A. Majakowski, J.R. Rak, A new method of eeg classification for BCI with feature extraction based on higher order statistics of wavelet components and selection with genetic algorithms, [w:] Adaptive and Natural Computing Algorithms. ICANNGA 2011, eds. A. Dobnikar, U. Lotrič, B. Šter, Berlin: Springer, 2011, s. 280–289.
36.	[36] P.S. Hammon, V.R. de Sa, Preprocessing and meta-classification for brain–computer interfaces, „IEEE Transactions on Biomedical Engineering” 2007, vol. 54, no, 3, s. 518– 525.
37.	[37] I. Koprinska, Feature selection for brain–computer interfaces, [w:] PAKDD Workshops 2009, ed. T. Theeramunkong, Berlin: Springer, 2010, s. 100–111.
38.	[38] M. Sewell, Feature selection. Pobrane z: https://pdfs.semanticscholar.org/aacd/ 187f333a60718387d4f42a18929d18203e0e.pdf (dostęp: 9.02.2017).
39.	[39] J. Decety, D. Perani, M. Jeannerod, V. Bettinardi, B. Tadardy, R. Woods, J. Mazziotta, F. Fazio, Mapping motor representations with positron emission tomography, „Nature” 1994, vol. 37, s. 600–602.
40.	[40] P. Ziemba, Redukcja wymiarowości i selekcja cech w zadaniach klasyfikacji i regresji z wykorzystaniem uczenia maszynowego, „Studia Informatica” 2012, vol. 30, no. 733, s. 221–236.
41.	[41] J. Korbicz, J.M. Kościelny, Modelowanie, diagnostyka i sterowanie nadrzędne procesami, Warszawa: WNT, 2009.
42.	[42] P. Lajmert, B. Kruszyński, Zastosowanie metod eksploracji danych do nadzorowania procesu szlifowania kłowego wałków, „Mechanik” 2003, nr 8-9, s. 291–298.
43.	[43] M.A. Hall, Correlation-based feature selection for machine learning, Hamilton: The University of Waikato, 1999.
44.	[44] O.S. Soliman, A. Rassem, Correlation based feature selection using quantum bio inspired estimation of distribution algorithm, [w:] International Workshop on Multi-disciplinary Trends in Artificial Intelligence. MIWAI 2012: Multi-disciplinary Trends in Artificial Intelligence, Berlin: Springer, 2012, s. 318–329.
45.	[45] M. Doshi, D.S. Chaturvedi, Correlation based feature selection (CFS) technique to predict student perfromance, „International Journal of Computer Networks & Communications” 2014, vol. 6, s. 197–206.
46.	[46] M.A. Hall, Correlation-based feature selection for discrete and numeric class machine learning, [w:] ICML ’00 Proceedings of the Seventeenth International Conference on Machine Learning, San Francisco: Morgan Kaufmann, 2000, s. 359–366.
47.	[47] R. Wald, T.M. Khoshgoftaar, A. Napolitano, Using correlation-based feature selection for a diverse collection of bioinformatics datasets, [w:] IEEE 14th International Conference on Bioinformatics and Bioengineering, Boca Raton: IEEE Computer Society, 2014, s. 156–162.
48.	[48] M.A. Hall, L.A. Smith, Feature selection for machine learning: comparing a correlation- based filter approach to the wrapper, [w:] Proceedings of the Twelfth International Florida Artificial Intelligence Research Society Conference, Palo Alto: AAAI Press, 1999, s. 235–239.
49.	[49] J.P. Piątkowski, Analiza i rozwój metod selekcji cech dla dużych problemów klasyfikacyjnych, Toruń: Uniwersytet Mikołaja Kopernika, 2006.
50.	[50] S.F. Rosario, D.K. Thangadurai, RELIEF: feature selection approach, „International Journal of Innovative Research & Development” 2015, vol. 4, no. 11, s. 218–224.
51.	[51] M. Robnik-Sikonja, I. Kononenko, An adaptation of relief for attribute estimation in regression, [w:] Proceeding ICML ’97 Proceedings of the Fourteenth International Conference on Machine Learning, 1997, s. 296–304.
52.	[52] R.P. Durgabai, Feature selection using ReliefF algorithm, „International Journal of Advanced Research in Computer and Communication Engineering” 2014, vol. 3, no. 10, s. 8215–8218.
53.	[53] K. Kira, L.A. Rendell, A practical approach to feature selection, [w:] Proceeding ML92 Proceedings of the ninth International Workshop on Machine Learning, San Francisco: Morgan Kaufmann, 1992, s. 249–256.
54.	[54] I. Kononenko, E. Simec, M. Robnik-Sikonja, Overcoming the myopia of inductive learning algorithms with RELIEFF, „Applied Intelligence” 1997, vol. 7, s. 39–55.
55.	[55] A. Zafra, M. Pechenizkiy, S. Ventura, ReliefF-MI: An extension of ReliefF to multiple instance learning, „Neurocomputing” 2012, vol. 75, no. 1, s. 210–218.
56.	[56] A. Zafra, M. Pechenizkiy, S. Ventura, Feature selection is the ReliefF for multiple instance learning, [w:] Proceedings of ISDA 2010 Conference, IEEE Computer Society, s. 525–532, 2010.
57.	[57] I. Kononenko, Estimating attributes: analysis and extensions of relief, [w:] 7th International Conference on Machine Learning (ICML), 1994, s. 171–182.
58.	[58] I.H. Witten, E. Frank, Data Mining: Practical Machine Learning Tools and Techniques, San Francisco: Morgan Kaufmann, 2005.
59.	[59] W. Chmielnicki, Efektywne metody selekcji cech i rozwiązywania problemu wieloklasowego w nadzorowanej klasyfikacji danych, Kraków: Instytut Podstawowych Problemów Techniki Polskiej Akademii Nauk, 2012.
60.	[60] M. Osborne, B. Presnell, B. Turlach, On the LASSO and its dual, „Journal of Computational and Graphical Statistics” 1999, vol. 9, s. 319–337.
61.	[61] V. Roth, The generalized LASSO, „IEEE Transactions on Neural Networks” 2004, vol. 15, no. 1, s. 16–28.
62.	[62] W.J. Fu, Penalized regressions: the bridge versus the lasso, „Journal of Computational and Graphical Statistics” 1998, vol. 7, no. 3, s. 397–416.
63.	[63] U. Libal, Wavelet decomposition of signal and feature selection by LASSO for pattern recognition, „Przegląd Elektrotechniczny” 2013, vol. 4, s. 89–91.
64.	[64] J. Kim, Y. Kim, Y. Kim, A gradient-based optimization algorithm for LASSO, „Journal of Computational and Graphical Statistics” 2008, vol. 17, s. 994–1009.
65.	[65] R. Tibshirani, Regression shrinkage and selection via the Lasso, „Journal of the Royal Statistical Society” 1996, vol. 58, no. 1, s. 267–288.
66.	[66] Lasso. Pobrane z: https://en.wikipedia.org/wiki/Lasso_(statistics) (dostęp: 14.02.2017).
67.	[67] I. Rejer, K. Lorenz, Selekcja cech wyekstrahowanych z sygnału EEG odzwierciedlającego wyobrażenie ruchu lewą i prawą ręką, [w:] Wybrane zagadnienia informatyki medycznej, Szczecin, Stowarzyszenie Przyjaciół Wydziału Informatyki w Szczecinie, 2012, s. 55–65.
68.	[68] P. Boniński, M. Kazubek, A. Przelaskowski, A. Wróblewska, Zastosowanie kwantyzacji wektorowej LVQ w procesie klasyfikacji mikrozwapnień w cyfrowej mammografii, [w:] IV Sympozjum Techniki Przetwarzania Obrazu, Warszawa,2002.
69.	[69] Automatyczna selekcja zmiennych. Pobrane z: http://algolytics.pl/wp-content/uploads/ docs/pl/bk01pt04ch29s02.html (dostęp: 15.02.2017).
70.	[70] K. Gałda, Zastosowanie algorytmów genetycznych do optymalizacji modelu SVM procesu stalowniczego, Katowice: Politecnika Śląska, 2009.
71.	[71] P.M. Szczypiński, Komputerowa analiza obrazów z endoskopu bezprzewodowego dla diagnostyki medycznej, Łódź: Politechnika Łódzka, 2012.
72.	[72] P. Pudil, P. Somol, Current feature selection techniques in statistical pattern recognition, „Computer Recognition Systems” 2005, vol. 30, s. 53–68.
73.	[73] Forward selection. Pobrane z: https://www.stat.ubc.ca/~rollin/teach/643w04/lec/node 41.html (dostęp: 15.02.2017).
74.	[74] P. Pudil, J. Novovičová, J. Kittler, Floating search methods in feature selection, „Pattern Recognition Letters” 1994, vol. 15, no. 11, s. 1119–1125.
75.	[75] L. Yu, H. Liu, Toward integrating feature selection algorithms for classification and clustering, [w:] IEEE Transactions on Knowledge & Data Engineering, 2005, vol. 17, s. 491–502.
76.	[76] Backward selection. Pobrane z: https://www.stat.ubc.ca/~rollin/teach/643w04/lec/ node42.html (dostęp: 15.02.2017).
77.	[77] S. Mirjalili, Particle swarm optimisation, „Evolutionary Algorithms and Neural Networks” 2018, vol. 780, s. 15–31.
78.	[78] L. Davis, Handbook of genetic algorithms, New York: Van Nostrand Reinhold, 1991.
79.	[79] I. Rejer, Wprowadzenie do algorytmów genetycznych, „Studia Informatica” 2006, tom 18, s. 41–58.
80.	[80] J. Heitkoetter, D. Beasley, The hitch-hiker’s guide to evolutionary computation: a list of frequently asked questions (FAQ). Pobrane z: http://comp.ai.genetic.rtfm.mit.edu:/ pub/usenet/news.answers/ai-faq/genetic (dostęp: 15.02.2017).
81.	[81] J. Arabas, Wykłady z algorytmów ewolucyjnych, Warszawa: WNT, 2001.
82.	[82] How do genetic algorithms work? Pobrane z: http://www.generation5.org (dostęp: 15.02.2017).
83.	[83] J. Shen, Genetic algorithms and genetic programming, Bielefeld: Bielefeld University, 2000.
84.	[84] S. Hill, C. O’Riordan, Analysis of the performance of genetic algorithmsand their operators using Kauffman’s NK model, National Univeristy of Ireland: Galway 2002.
85.	[85] I. Rejer, K. Lorenz, Classic genetic algorithm vs. genetic algorithm with aggressive mutation for feature selection for brain–computer interface, „Przegląd Elektrotechniczny” 2015, vol. 91, no. 2, s. 98–102.
86.	[86] N. Srinivas, K. Deb, Muiltiobjective optimization using nondominated sorting in genetic algorithms, „Evolutionary Computation” 1994, vol. 2, no. 3, s. 221–248.
87.	[87] K. Deb, A. Pratap, S. Agarwal, T. Meyarivan, A fast and elitist multiobjective genetic algorithm: NSGA-II, „IEEE Transactions on Evolutionary Computation” 2002, vol. 6, no. 2, s. 182–197.
88.	[88] ACM. Pobrane z: https://dl.acm.org/ccs (dostęp: 12.05.2023).
89.	[89] K. Lorenz, I. Rejer, Feature selection with NSGA and GAAM in EEG signals domain, [w:] 8th International Conference on Human System Interaction (HSI), 2015, s. 94–98.
90.	[90] I. Rejer, Genetic algorithm with aggressive mutation for feature selection in BCI feature space, „Formal Pattern Analysis & Applications” 2014, vol. 18, s. 485–492.
91.	[91] Luigi Galvani, Italian physician and physicist. Pobrane z: https://www.britannica.com/ biography/Luigi-Galvani (dostęp: 15.02.2025).
92.	[92] Pracownia EEG/EEG spoczynkowe. Pobrane z: https://brain.fuw.edu.pl/edu/index. php/Pracownia_EEG/EEG_spoczynkowe (dostęp: 15.02.2025).
93.	[93] Zapis fal alfa i beta w sygnale EEG. Pobrane z: https://www.doccheck.com/de/detail/ photos/42653-eeg-baender (dostęp: 15.02.2025).
94.	[94] Brain–Computer Interface. Pobrane z: https://www.sciencedirect.com/topics/neuroscience/ brain-computer-interface (dostęp: 15.02.2025).
95.	[95] Roadmap. The future In brain/neural-computer interaction: HORIZON 2020. Pobrane z: https://bnci-horizon-2020.eu/images/bncih2020/Roadmap_BNCI_Horizon_2020. pdf (dostęp: 15.02.2025).
96.	[96] G. Schalk, D.J. McFarland, T. Hinterberger, N. Birbaumer, J.R. Wolpaw, BCI2000: a general purpose brain computer interface (BCI) system, „IEEE Transactions on Biomedical Engineering” 2004, vol. 51, no. 6, s. 1034–1043, 2004.
97.	[97] J.D. Bayliss, Use of the evoked potential p3 component for control in a virtual apartment, „IEEE Transactions” 2003, vol. 11, no. 2, s. 113–116.
98.	[98] J.D. Bayliss, Changing the P300 brain computer interface, „Cyberpsychology and Behaviour” 2004, vol. 7, no. 76, s. 694–704.
99.	[99] G.P. Edlinger, R. Prueckl, G. Krausz, C. Holzner, C. Guger, P4-24 P300 and SSVEP based brain–computer interface for control of a smart home virtual environment, „Clinical Neurophysiology” 2010, vol. 121, no. 1, s. 126.
100.	[100] G. Pfurtscheller, R. Leeb, C. Keinrath, D. Friedman, C. Neuper, C. Guger, M. Slater, Walking from thought, „Brain Research” 2006, vol. 1071, s. 145–152.
101.	[101] Brain Computer Interface Market Size & Trends. Pobrane z: https://www.grandviewresearch. com/industry-analysis/brain-computer-interfaces-market (dostęp: 15.02.2025).
102.	[102] Jak to działa – proteza sterowana bezpośrednio z mózgu. Pobrane z: https://mlodytechnik. pl/technika/28725-jak-to-dziala-proteza-sterowana-bezposrednio-z-mozgu (dostęp: 15.02.2025).
103.	[103] Ile kosztują nowoczesne protezy rąk i nóg? Pobrane z: https://www.ortotomas.pl/blog/ ile-kosztuja-nowoczesne-protezy-rak-i-nog (dostęp: 15.02.2025).
104.	[104] E. Mikołajewska, D. Mikołajewski, Neuroprostheses for increasing disabled patients’ mobility and control, „Advances in Clinical and Experimental Medicine” 2012, vol. 21, no. 2, s. 263–272.
105.	[105] E. Mikołajewska, D. Mikołajewski, Problemy techniczne i medyczne w zakresie szerszego wykorzystania neuroprotez u pacjentów neurologicznych, „Pielęgniarstwo Neurologiczne i Neurochirurgiczne” 2012, tom 1, nr 3, s. 119–123.
106.	[106] L. Kiersnowski, Możliwości stosowania neuroprotez w uszkodzeniach układu nerwowego, „Aktualne Problemy Biomechaniki” 2007, tom 1, s. 105–110.
107.	[107] E. Mikołajewska, D. Mikołajewska, Wybrane rozwiązania automatyki i robotyki w wózkach dla niepełnosprawnych, „Postępy Rehabilitacji” 2011, tom 1, s. 11–18.
108.	[108] E. Mikołajewska, D. Mikołajewski, Zastosowania automatyki i robotyki w wózkach dla niepełnosprawnych i egzoszkieletach medycznych, „Pomiary Automatyka Robotyka” 2011, tom 5, s. 58–63.
109.	[109] E. Nowak, Doskonałość. Z genealogii human enhancement, „Humaniora. Czasopismo Internetowe” 2014, tom 1, nr 5, s. 77–102.
110.	[110] A. Cegielska, M. Olszewski, Nieinwazyjny interfejs mózg–komputer do zastosowań technicznych, „Pomiary Automatyka Robotyka” 2015, tom 19, nr 3, s. 5–14.
111.	[111] K. Białkowski, Człowiek i części zamienne – czym dysponujemy?, [w:] VI Konkurs Wiedzy Politechnicznej, Kwidzyn, II Liceum Ogólnokształcące im. Stanisława Wyspiańskiego w Kwidzynie, 2016.
112.	[112] R. Kinalski, Sprzężenie neurofizjologii klinicznej z teradiagnostyką: perspektywa nowego zawodu fizjoterapeuty?, „Zeszyty Promocji Rehabilitacji, Ortopedii, Neurofizjologii i Sportu – IRONS” 2012, tom 1, 2012.
113.	[113] S. Cygan, K. Wildner, Biomechanika inżynierska. Pobrane z: http://zib. mchtr.pw.edu.pl/downloads/Przedmioty/BIOME/BIOME2017-wyklad-1-Cygan.pdf (dostęp: 10.05.2017).
114.	[114] M. Błaszak, A.I. Brzezińska, Ł. Przybylski, Strategie podwyższania jakości życia osób niepełnosprawnych: perspektywa neurokognitywistyki rozwojowej, [w:] Nauka, tom 1, Poznań: Polska Akademia Nauk. Oddział w Poznaniu, 2010, s. 115–137.
115.	[115] M.R. Popovic, D.B. Popowic, T. Keller, Neuroprostheses for grasping, „Neurological Research” 2013, vol. 24, no. 5, s. 443–452.
116.	[116] E. Mikołajewska, D. Mikołajewski, Płaszczyzny współpracy specjalistów medycznych oraz inżynierów biomedycznych i biocybernetyków, „Studia Medyczne” 2013, vol. 29, no. 1, s. 121–128.
117.	[117] J. Chapin, K. Moxon, Neural Prostheses for restoration of sensory and motor function, Boca Raton: CRC Press LLC, 2001.
118.	[118] F. Kulaszyński, Dziś i jutro inteligentnych robotów. Interfejs mózg–komputer, [w:] Neurokognitywistyka w patologii i zdrowiu, red. I. Kojder, Szczecin: Pomorski Uniwersytet Medyczny w Szczecinie, 2011, s. 134–142.
119.	[119] G. Pfurtscheller, G.R. Muller, J. Pfurtscheller, H.J. Gerner, R. Rupp, ‘Thought’ – control of functional electrical stimulation to restore hand grasp in a patient with tetraplegia, „Neuroscience Letters” 2003, vol. 351, s. 33–36.
120.	[120] J. Zielińska, Wybrane techniki obrazowania sygnałów w perspektywie pedagogiki specjalnej. Przykłady zastosowania w praktyce diagnostyczno-terapeutycznej, Kraków: Wydawnictwo Naukowe Uniwersytetu Pedagogicznego, 2016.
121.	[121] I. Pietralik, S. Łagan, Aparaty słuchowe a implanty słuchu. Stan obecny i perspektywy rozwoju, „Aktualne Problemy Biomechaniki” 2011, tom 5, s. 127–132.
122.	[122] J. Zielińska, Interfejs mózg – komputer w teorii i praktyce, [w:] Człowiek – media – edukacja, red. J. Morbitzer, Kraków: Uniwersytet Pedagogiczny, 2013.
123.	[123] P. Durka, Mózg, maszyny i manipulacje. Pobrane z: http://www.fuw.edu.pl/~durka/var/ Mozg_maszyny_manipulacje_NI_Durka.pdf (dostęp: 10.05.2017).
124.	[124] M. Konarska-Król, M.J. Kacperska, K. Jastrzębski, M. Radek, B. Tomasik, Zaburzenia słuchu w praktyce neurologa, „Aktualności Neurologiczne” 2014, tom 14, nr 1, s. 61–69.
125.	[125] E. Mikołajewska, D. Mikołajewski, Interfejsy mózg–komputer jako rozwiązania dla osób niepełnosprawnych z uszkodzeniami układu nerwowego, „Niepełnosprawność – Zagadnienia, Problemy, Rozwiązania” 2012, tom 3, nr 4, s. 19–36.
126.	[126] T. Przewoźny, Stan słuchu u chorych we wczesnym okresie udaru niedokrwiennego mózgu, Gdańsk: Akademia Medyczna w Gdańsku, 2007.
127.	[127] Innowacyjny implant ślimakowy dostępny w Kajetanach. Pobrane z: https://www.poradnikzdrowie. pl/aktualnosci/innowacyjny-implant-slimakowy-dostepny-w-kajetanachaa- a7a7-g1vs-UdhL.html (dostęp: 15.02.2025).
128.	[128] Implant ślimakowy i co dalej? Pobrane z: https://www.smartear.pl/pl/blog/implantslimakowy- i-co-dalej-1599723592 (dostęp: 15.02.2025).
129.	[129] P. Triponyuwasin, Y. Wongsawat, Brain–computer interface based stroke rehabilitation for hemiplegia, [w:] The 2014 Biomedical Engineering Intern ational Conference (BMEiCON-2014), 2014.
130.	[130] F. Pichiorri, F. Cincotti, F. De Vico Fallani, I. Pisotta, G. Morone, M. Molinari, D. Mattia, Towards a brain computer interface-based rehabilitation: from bench to bedside, [w:] 5th International BCI Conference 2011, s. 268–271.
131.	[131] A. Sójka, K. Janiak, A. Sikorska, K. Smółka, Interfejsy BCI jako nowy kanał komunikacji dla osób z niepełnosprawnością ruchową, „Rocznik Kolegium Analiz Ekonomicznych” 2016, tom 42, s. 385–403.
132.	[132] S.R. Soekadar, N. Birbaumer, M.W. Slutzky, L.G. Cohen, Brain–machine interfaces in neurorehabilitation of stroke, „Neurobiology of Disease” 2015, vol. 83, s. 172–179.
133.	[133] U. Chaudhary, N. Birbaumer, M.R. Curado, Brain-Machine Interface (BMI) in paralysis, „Annals of Physical and Rehabilitation Medicine” 2015, tom 58, s. 9–13.
134.	[134] M. Arvaneh, C. Guan, K.K. Ang, T.E. Ward, K.S.G. Chua, C.W.K. Kuah, G.J.E. Joseph, K.S. Phua, C. Wang, Facilitating motor imagery-based brain–computer interface for stroke patients using passive movement, „Neural Computing and Applications” 2016, vol. 28, no. 11, s. 3259–3272.
135.	[135] E. Mikołajewska, D. Mikołajewski, Implikacje wykorzystania interfejsów mózg–komputer u pacjentów z zaburzeniami świadomości, „International Letters of Social and Humanistic Sciences” 2013, vol. 8, s. 86–90.
136.	[136] K.K. Ang, C. Guan, Brain–computer interface in stroke rehabilitation, „Journal of Computing Science and Engineering” 2013, vol. 7, no, 2, s. 139–146.
137.	[137] R. Ortner, D.-C. Irimia, J. Scharinger, C. Guger, A motor imagery based brain–computer interface for stroke rehabilitation, „Studies in Health Technology and Informatics” 2012, vol. 181, s. 319–323.
138.	[138] P. Kucharski, A.J. Rybicki, M. Kopaczyńska, Połączenie mózg–komputer jako metoda komunikacji z niereagującymi pacjentami – przegląd literatury, „Inżynieria Biomedyczna” 2015, tom 23, nr 3, s. 148–157.
139.	[139] J.J. Daly, J.R. Wolpaw, Brain–computer interfaces in neurological rehabilitation, „Lancet Neurology” 2008, vol. 7, no. 11, s. 1032–1043.
140.	[140] F. Nijboer, Technology transfer of brain–computer interfaces as assistive technology: Barriers and opportunities, „Annals of Physical and Rehabilitation Medicine” 2015, vol. 58, s. 35–38.
141.	[141] L.E.H. van Dokkum, T. Ward, I. Laffont, Brain computer interfaces for neurorehabilitation – its current status as a rehabilitation strategy post-stroke, „Annals of Physical and Rehabilitation Medicine” 2015, vol. 58, s. 3–8.
142.	[142] M. Zych, Funkcjonalna elektrostymulacja kontrolowana za pomocą interfejsu mózg– komputer w rehabilitacji ręki po udarze – przegląd literatury, [w:] IX wiosna z fizjoterapią. Cykliczne sympozjum studenckich kół naukowych; aktualne kierunki rozwoju fizjoterapii i rehabilitacji, Warszawa: Warszawski Uniwersytet Medyczny, 2015.
143.	[143] Brain Computer Interface Market: Growth, Size, Share, and Trends. Pobrane z: https://www.marketsandmarkets.com/Market-Reports/brain-computer-interface-market- 64821525.html (dostęp: 15.02.2025).
144.	[144] Neuralink Elona Muska nie jest jedyny. Bill Gates, Jeff Bezos i inni miliarderzy też inwestują w interfejsy mózg–komputer. Pobrane z: https://businessinsider.com.pl/ technologie/nowe-technologie/neuralink-elona-muska-nie-jest-jedyny-bill-gates-jeff- -bezos-i-inni-miliarderzy-tez/byt795h (dostęp: 15.02.2025).
145.	[145] Gates, Bezos invest in Synchron’s brain computer interface. Pobrane z: https://www. medtechdive.com/news/gates-bezos-synchron-brain-computer-interface/638953 (dostęp: 15.02.2025).
146.	[146] Y.U. Khan, O. Farooq, M. Tripathi, P. Sharma, P. Alam, Automatic detection of nonconvulsive seizures using AR modeling, [w:] 2nd International Conference on Power, Control and Embedded Systems (ICPCES), Allahabad, India, 2012.
147.	[147] H. Min, L. Sun, EEG signal classification for epilepsy diagnosis based on AR model and RVM, [w:] International Conference Intelligent Control and Information Processing (ICICIP), 2010.
148.	[148] Jak żyć z padaczką. Pobrane z: https://pacjent.gov.pl/jak-zyc-z-choroba/jak-zyc-z-padaczka (dostęp: 15.02.2025).
149.	[149] Padaczka generuje ogromne koszty społeczne. Pobrane z: https://www.mp.pl/neurologia/ aktualnosci/213247,padaczka-generuje-ogromne-koszty-spoleczne (dostęp: 15.02.2025).
150.	[150] Innowacje w branży technologii medycznych. Pobrane z: https://mikrokontroler. pl/2024/03/27/innowacje-w-branzy-technologii-medycznych (dostęp: 15.02.2025).
151.	[151] Stało się – sztuczna inteligencja będzie monitorować stan zdrowia! Pobrane z: https:// biotechnologia.pl/technologie/stalo-sie-sztuczna-inteligencja-bedzie-monitorowac- -stan-zdrowia,22371 (dostęp: 15.02.2025).
152.	[152] A. Cudo, E. Zabielska, D. Zapała, Interfejsy mózg–komputer oparte o techniki elektroencefalograficzne, „Studia z Psychologii w KUL” 2012, tom 18, s. 195–216.
153.	[153] Sodium-ion Battery – Market Share Analysis, Industry Trends & Statistics, Growth Forecasts (2024–2029). Pobrane z: https://www.researchandmarkets.com/reports/5165 430/sodium-ion-battery-market-share-analysis (dostęp: 15.02.2025).
154.	[154] La carrera por la tecnología de mover objetos con la mente: un negocio que mueve ya cientos de millones. Pobrane z: https://cadenaser.com/nacional/2024/12/17/la-carrera- -por-la-tecnologia-de-mover-objetos-con-la-mente-un-negocio-que-mueve-ya-cientos- de-millones-cadena-ser (dostęp: 15.02.2025).
155.	[155] Elektromiograf MyoPlus4Pro z oprogramowaniem EMG. Pobrane z: https://innomed. pl/produkt/elektromiograf-myo-plus-4-pro-z-oprogramowaniem (dostęp: 15.02.2025).
156.	[156] D. Zhu, J. Bieger, G.G. Molina, R.M. Aarts, A survey of stimulation methods used in SSVEP-based BCIs, „Computational Intelligence and Neuroscience” 2010, vol. 1, s. 1–12.
157.	[157] R. Zerafa, T. Camilleri, O. Falzon, K.P. Camilleri, To train or not to train? A survey on training of feature extraction methods for SSVEP-based BCIs, „Journal of Neural Engineering” 2018, vol. 15, no. 5.
158.	[158] C. Lin, C. Zhang, W. Wu, X. Gao, Frequency Recognition Based on Canonical Correlation Analysis for SSVEP-Based BCIs, „IEEE Transactions on Biomedical Engineering” 2006, vol. 53, no. 12, s. 2610–2614.
159.	[159] R. Fazel-Rezai, Z. Brendan, C. Guger, E. Sellrs, S. Kleih, A. Kubler, P300 brain computer interface: current challenges and emerging trends, „Frontiers in Neuroengineering” 2012, vol. 5.
160.	[160] A. Barachant, M. Congedo, A Plug&Play P300 BCI using information geometry, „Machine Learning”, 2014.
161.	[161] R.C. Panicker, S. Puthusserypady, Y. Sun, An asynchronous P300 BCI With SSVEPbased control state detection, „IEEE Transactions on Biomedical Engineering” 2011, vol. 58, no. 6, s. 1781–1788.
162.	[162] M. Górska, M. Olszewski, Interfejs mózg–komputer w zadaniu sterowania robotem mobilnym, „Pomiary Automatyka Robotyka” 2015, nr 3, s. 15–24.
163.	[163] A. Górski, Zastosowanie elektroencefalografii (EEG) w technikach multimedialnych. Pobrane z: https://sound.eti.pg.gda.pl/student/tm/tm14_EEG.pdf (dostęp: 19.05.2017).
164.	[164] S. Jankowska, Potęga umysłu, czyli doping doskonały, [w:] Neurokognitywistyka w patologii i zdrowiu, red. I. Kojder, Szczecin: Pomorski Uniwersytet Medyczny w Szczecinie, 2013, s. 99–104.
165.	[165] A. Grabska-Barwińska, Model zmian synchronizacji czynności EEG związanych z wykonywaniem ruchu, Warszawa: Uniwersytet Warszawski, 2004.
166.	[166] P. Wołowik, Zastosowanie sygnału EEG w interfejsach BCI łączących człowieka z komputerem, Poznań: Poznańskie Warsztaty Telekomunikacyjne, 2004.
167.	[167] J. Lipiec, Porównanie wyników badań neurofizjologicznych, klinicznych i obrazowych u chorych po częściowym urazie szyjnego i piersiowego rdzenia kręgowego, Poznań: Uniwersytet Medyczny w Poznaniu, 2015.
168.	[168] G. Pfurtscheller, EEG event-related desynchronization (ERD) and synchronization (ERS), „Electroencephalography and Clinical Neurophysiology” 1997.
169.	[169] G. Pfurtscheller, C. Neuper, W. Mohl, Event-related desynchronization (ERD) during visual processing, „International Journal of Psychophysiology” 1994, vol. 16, no. 2–3, s. 147–153.
170.	[170] B.Z. Allison, C. Brunner, C. Altstätter, I. Wagner, S. Grissmann, C. Neuper, A hybrid ERD/SSVEP BCI for continuous simultaneous two dimensional cursor control, „Journal of Neuroscience Methods” 2012, vol. 209, no. 2, s. 299–307.
171.	[171] C.S. Nam, Y. Jeon, Y.-J. Kim, I. Lee, K. Park, Movement imagery-related lateralization of event-related (de)synchronization (ERD/ERS): motor-imagery duration effects, „Clinical Neurophysiology” 2011, vol. 122, no. 3, s. 567–577.
172.	[172] Y. Jeon, C.S. Nam, Y.-J. Kim, M.C. Whang, Event-related (De)synchronization (ERD/ ERS) during motor imagery tasks: Implications for brain–computer interfaces, „International Journal of Industrial Ergonomics” 2011, vol. 41, no. 5, s. 428–436.
173.	[173] G. Pfurtscheller, Event-related synchronization (ERS): an electrophysiological correlate of cortical areas at rest, „Electroencephalography and Clinical Neurophysiology” 1992, vol. 83, no. 1, s. 62–69.
174.	[174] J.R. Wolpaw, N. Birbaumer, W.J. Heetderks, D.J. McFarland, P.H. Peckham, G. Schalk, E. Donchin, L.A. Quatrano, J.C. Robinson, T.M. Vaughan, Brain–computer interface technology: A review of the first international meeting, „IEEE Transactions on Rehabilitation Engineering” 2000, vol. 8, no. 2, s. 161–173.
175.	[175] C. Neuper, G.R. Muller, A. Kubler, Clinical application of an EEG-based brain–computer interface: a case study in a patient with severe motor impairment, „Clinical Neurophysiology”, vol. 114, no. 3, s. 399–409.
176.	[176] B. Obermaier, C. Neuper, C. Guger, Information transfer rate in a five-classes brain– computer interface, „IEEE Transactions on Neural Systems and Rehabilitation Engineering” 2001, vol. 9, no. 3, s. 283–288.
177.	[177] G. Pfurtscheller, C. Neuper, Motor imagery and direct brain–computer communication, „Proceedings of the IEEE” 2001, vol. 89, no. 7, s. 1123–1134.
178.	[178] Jak wybrać sprzęt do EEG? Pobrane z: https://neurodata.pl/jak-wybrac-sprzet-do-eeg (dostęp: 15.02.2025).
179.	[179] D. Zhang, C. Hansen, F. De Frene, S.P. Kergaard, W. Qian, K. Chen, Automated labeling and online evaluation for self-paced movement detection BCI, „Knowledge-Based Systems” 2023, vol. 265.
180.	[180] D. Delisle-Rodriguez, H.L. de Oliveira, J.C. da Silva, M.L. de Souza, T. Bastos, E.M. Nakamura-Palacios, A. Frizera-Neto, Multi-channel EEG-based BCI using regression and classification methods for attention training by serious game, „Biomedical Signal Processing and Control” 2023, vol. 85.
181.	[181] D. Pawar, S. Dhage, EEG-based covert speech decoding using random rotation extreme learning machine ensemble for intuitive BCI communication, „Biomedical Signal Processing and Control” 2023, vol. 80.
182.	[182] J. Majkowski (red.), Elektroencefalografia kliniczna, Warszawa: PZWL, 1989.
183.	[183] H.G. Niebeling, R. Degen, Einfuhrung in die Elektroencephalograpie, Leipzig: Barth, 1968.
184.	[184] Czepak do badań EEG. Pobrane z: https://sc04.alicdn.com/kf/Hc57c3bd368cc- 445b96703e62bc3a3f56j.jpg (dostęp: 12.05.2023).
185.	[185] Położenie elektrod 10-20. Pobrane z: https://skullbase.bwh.harvard.edu/wp-content/ uploads/2022/03/1.4-10-20-system-composite.jpg (dostęp: 12.05.2023).
186.	[186] P.L. Nunez, R. Srinivasan, A.F. Westdorp, R.S. Wijesinghe, D.M. Tucker, R.B. Silberstein, P.J. Cadusch, EEG coherency: I: statistics, reference electrode, volume conduction, Laplacians, cortical imaging, and interpretation at multiple scales, „Electroencephalography and Clinical Neurophysiology” 1997, vol. 13, no. 5, s. 499–515.
187.	[187] M. Kumngern, F. Khateb, T. Kulej, D. Arbet, M. Akbari, Fully differential fifth-order dual-notch low-pass filter for portable EEG system, „International Journal of Electronics and Communications” 2022, vol, 146.
188.	[188] M. Sharma, S. Patel, U.R. Acharya, Automated detection of abnormal EEG signals using localized wavelet filter banks, „Pattern Recognition Letters” 2020, vol. 133, s. 188–194.
189.	[189] S. Zhang, S. Zhu, B. Zhang, B. Feng, T. Yu, Z. Li, Z. Zhang, G. Huang, Z. Liang, Overall optimization of CSP based on ensemble learning for motor imagery EEG decoding, „Biomedical Signal Processing and Control” 2022, vol. 77.
190.	[190] B.A. Coffman, M.A. Hunter, A.P. Jones, H.A. Saxon, K. Kolodjeski, B. Lockmiller, O. Khan, T. Collar, J.M. Stephen, V.P. Clark, Using independent components analysis (ICA) to remove artifacts associated with transcranial direct current stimulation (tDCS) from electroencephalography (EEG) data: A comparison of ICA algorithms, „Brain Stimulation” 2014, vol. 7, no. 2.
191.	[191] C. Stergiadis, V.-D. Kostaridou, M.A. Klados, Which BSS method separates better the EEG Signals? A comparison of five different algorithms, „Biomedical Signal Processing and Control” 2022, vol. 72.
192.	[192] D. Sunaryono, R. Sarno, J. Siswantoro, Gradient boosting machines fusion for automatic epilepsy detection from EEG signals based on wavelet features, „Journal of King Saud University – Computer and Information Sciences” 2022, vol. 34, no. 10B, s. 9591– 9607.
193.	[193] M.K. Kıymık, I. Huler, A. Dizibuyuk, M. Akin, Comparison of STFT and wavelet transform methods in determining epileptic seizure activity in EEG signals for realtime application, „Computers in Biology and Medicine” 2005, vol. 35, no. 7, s. 603–616.
194.	[194] Z. Liu, L. Wang, S. Xu, K. Lu, A multiwavelet-based sparse time-varying autoregressive modeling for motor imagery EEG classification, „Computers in Biology and Medicine” 2023, vol. 155.
195.	[195] P. Sheoran, J.S. Saini, A new method for automatic electrooculogram and eye blink artifacts correction of EEG signals using CCA and NAPCT, „Procedia Computer Science” 2020, vol. 167, s. 1761–1770.
196.	[196] S.-M. Zhou, J.Q. Gan, F. Sepulveda, Classifying mental tasks based on features of higher-order statistics from EEG signals in brain–computer interface, „Information Sciences” 2008, vol. 178, no. 6, s. 1629–1640.
197.	[197] Y. Zhang, W. Chen, C.-L. Lin, Z. Pei, J. Chen, Z. Chen, Boosting-LDA algriothm with multi-domain feature fusion for motor imagery EEG decoding, „Biomedical Signal Processing and Control” 2021, vol. 70.
198.	[198] G. Roy, A.K. Bhoi, S. Bhaumik, A comparative approach for MI-based EEG signals classification using energy, power and entropy, „IRBM” 2022, vol. 43, nr 5, s. 434– 446.
199.	[199] L. Duan, Z. Hongxin, M.S. Khan, M. Fang, Recognition of motor imagery tasks for BCI using CSP and chaotic PSO twin SVM, „The Journal of China Universities of Posts and Telecommunications” 2017, vol. 24, no. 3, s. 83–90.
200.	[200] W. Chang, W. Meng, G. Yan, B. Zhang, H. Luo, R. Gao, Z. Yang, Driving EEG based multilayer dynamic brain network analysis for steering process, „Expert Systems with Applications” 2022, vol. 207.
201.	[201] T. Kayikcioglu, O. Aydemir, A polynomial fitting and k-NN based approach for improving classification of motor imagery BCI data, „Pattern Recognition Letters” 2010, vol. 31, no. 11, s. 1207–1215.
202.	[202] M. Dash, H. Liu, Feature selection for classification, „Intelligent Data Analysis” 1997, vol. 4, no. 1–4, s. 131–156.
203.	[203] P. Devijver, J. Kitler, Pattern recognition: a statistical approach, London: Prentice Hall, 1982.
204.	[204] A. Chouchoulas, Incremental Feature Selection Based on Rough Set Theory, Edinburgh: Centre for Intelligent Systems and their Applications, Division of Informatics, The University of Edinburgh, 2001.
205.	[205] L.C. Molina, L. Belanche, À. Nebot, Feature selection algorithms: a survey and experimental evaluation, [w:] Data Mining, 2002. ICDM 2003. Proceedings, Barcelona, Spain, 2002.
206.	[206] H. Liu, R. Setiono, Feature selection for classification: a probabilistic wrapper approach, [w:] 9th International Conference on Industrial and Engineering Applications of AI and ES, San Francisco: Morgan Kaufmann, 1996, s. 129–135.
207.	[207] L.H. Patil, M. Atique, A multistage feature selection model for document classification using information gain and rough set, „International Journal of Advanced Research in Artificial Intelligence” 2014, vol. 3, no. 11, s. 14–20.
208.	[208] T.A. Alhaj, M.M. Siraj, A. Zainal, H.T. Elshoush, F. Elhaj, Feature selection using information gain for improved structural-based alert correlation, „PLoS ONE” 2016, vol. 11, no. 11, s. 1–18.
209.	[209] C.M. Lai, W.C. Yeh, C.Y. Chang, Gene selection using information gain and improved simplified swarm optimization, „Neurocomputing” 2016, vol. 218, s. 331–338.
210.	[210] G. Forman, An extensive empirical study of feature selection metrics for text classification, „Journal of Machine Learning Research” 2003, vol. 3, s. 1289–1305.
211.	[211] Y. Yang, J.O. Pedersen, A comparative study on feature selection in text categorization, [w:] International Conference on Machine Learning (ICML), San Francisco: Morgan Kaufmann, 1997, s. 412–420.
212.	[212] A.G. Karegowda, A.S. Manjunath, M.A. Jayaram, Comparative study of attribute selection using gain ratio and correlation based feature selection, „International Journal of Information Technology and Knowledge Management” 2010, vol 2, no. 2, s. 271–277.
213.	[213] O. Villacampa, Feature selection and classification methods for decision making: a comparative analysis, Nova Southeastern: College of Engineering and Computing at Nova Southeastern University, 2015.
214.	[214] Z. Zheng, X. Wu, R. Srihari, Future selection for text catogarization on imbalanced data, „ACM SIGKDD Explorations Newsletter – Special no. on learning from imbalanced datasets” 2004, vol. 6, no 1, s. 80–89.
215.	[215] B. Sui, Information gain feature selection based on feature interactions, Houston: University of Houston, Computer Science, College of Natural Sciences and Mathematics, 2013.
216.	[216] B. Azhagusundari, A.S. Thanamani, Feature selection based on information gain, „International Journal of Innovative Technology and Exploring Engineering” 2013, vol. 2, no. 2, s. 18–21.
217.	[217] D. Roobaert, G. Karakoulas, N.V. Chawla, Information gain, correlation and support vector machines, [w:] Feature extraction. Foundations and applications, eds. I. Guyon, S. Gunn, M. Nikravesh, L. Zadeh, Berlin: Springer, 2006, s. 463–470.
218.	[218] R.B. Pereira, A. Plastino, B. Zadrozny, L.H. Merschmann, Information gain feature selection for multi-label classification, „Journal of Information and Data Management” 2015, vol. 6, no. 1, s. 48–58.
219.	[219] F. Aiolli, Sistemi Informativi, https://www.math.unipd.it/~aiolli/corsi/0708/IR/Lez12. pdf (dostęp: 12.05.2023).
220.	[220] C. Lee, G.G. Lee, Information gain and divergence-based feature selection for machine learning-based text categorization, „Information Processing and Management” 2006, vol. 42, s. 155–165.
221.	[221] J. Xu, H. Jiang, An improved information gain feature selection algorithm for SVM text classifier, [w:] CYBERC ’15 Proceedings of the 2015 International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery, Washington: IEEE Computer Society, 2015, s. 273–276.
222.	[222] S. Lei, A feature selection method based on information gain and genetic algorithm, [w:] ICCSEE ’12 Proceedings of the 2012 International Conference on Computer Science and Electronics Engineering, vol. 2, Washington: IEEE Computer Society, 2012, s. 355–358.
223.	[223] D. Mladeni, Machine Learning on non-homogeneous, distributed text data, Slovenia: University of Ljubljana, 1998.
224.	[224] D. Mladeni, G. Marko, Feture selection for unbalanced class distribution and naive bayes, [w:] The Sixteenth International Conference on Machine Learning, 1999, s. 258–267.
225.	[225] H. Ng, W. Goh, K. Low, Feature selection, perceptron learning, and a usability case study for text categorization, [w:] ACM SIGIR Conference on Research and Developement in Information Retrieval, 1997, s. 67–73.
226.	[226] F. Sebastiani, Machine learning in automated text categorization, „ACM Computing Surveys” 2002, vol. 34, no. 1, s. 1–47.
227.	[227] L. Yu, H. Liu, I. Guyon, Efficient feature selection via analysis of relevance and redundancy, „Journal of Machine Learning Research” 2004, vol. 5, s. 1205–1224.
228.	[228] M. Dash, H. Liu, H. Motoda, Consistency based feature selection, [w:] PADKK ’00 Proceedings of the 4th Pacific-Asia Conference on Knowledge Discovery and Data Mining, Current No.s and New Applications, London: Springer-Verlag, 2000, s. 98–109.
229.	[229] G. Holmes, C.G. Nevill-Manning, Feature selection via the discovery of simple classification rules, [w:] Proceedings of the International Symposium on Intelligent Data Analysis, 1995.
230.	[230] M. Dash, H. Liu, Consistency-based search in feature selection, „Artificial Intelligence” 2003, vol. 151, s. 155–176.
231.	[231] R. Ruiz, J.C. Riquelme, J.S. Aguilar-Ruiz, Heuristic search over a ranking for feature selection, [w:] IWANN ’05 Proceedings of the 8th international conference on Artificial Neural Networks: computational Intelligence and Bioinspired Systems, Berlin: Springer, 2005, s. 742–749.
232.	[232] U. Maulik, Fuzzy Preference based feature selection and semisupervised SVM for cancer Classification, „IEEE Transactions on Nanobioscience” 2014, vol. 13, no. 2, s. 152–160, 2014.
233.	[233] U. Maulik, Gene-expression-based cancer subtypes prediction through feature selection and transductive SVM, „IEEE Transactions on Nanobioscience” 2013, vol. 60, no. 4, s. 1111–1117.
234.	[234] K.M. Shazzad, J.S. Park, Optimization of intrusion detection through fast hybrid feature selection, [w:] Proceedings of the Sixth International Conference on Parallel and Distributed Computing, Applications and Technologies (PDCAT’05), 2005.
235.	[235] J.S. Park, K.M. Shazzad, D.S. Kim, Toward modeling lightweight intrusion detection system through correlation-based hybrid feature selection, [w:] International Conference on Information Security and Cryptology (CISC), Berlin: Springer, 2005, s. 279– 289.
236.	[236] Y. Chen, Y. Li, X.Q. Cheng, L. Guo, Survey and taxonomy of feature selection algorithms in intrusion detection system, [w:] Inscrypt ’06 Proceedings of the Second SKLOIS conference on Information Security and Cryptology, Berlin: Springer, 2009, s. 153–167.
237.	[237] P. Lin, A framework for consistency based feature, [w:] Masters the Ses & Specialist Projects, Bowling Green: Western Kentucky University, 2009.
238.	[238] K. Shin, D. Fernandes, S. Miyazaki, Consistency measures for feature selection: a formal definition, relative sensitivity comparison and a fast algorithm, [w:] IJCAI’11 Proceedings of the Twenty-Second International Joint Conference on Artificial Intelligence, vol. 2, Barcelona: AAAI Press, 2011, s. 1491–1497.
239.	[239] J. Brownlee, An introduction to feature selection. Pobrane z: https://machinelearningmastery. com/an-introduction-to-feature-selection (dostęp: 19.04.2017).
240.	[240] M. Kubus, Rekurencyjna eliminacja cech w metodach dyskryminacji, „Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu” 2015, nr 384, s. 154–162.
241.	[241] Elastic net regularization. Pobrane z: https://en.wikipedia.org/wiki/Elastic_net_regularization (dostęp: 19.04.2017).
242.	[242] H. Zou, T. Hastie, Regularization and variable selection via the elastic net, „Journal of the Royal Statistical Society” 2005, vol. 67, no 2, s. 301–320,
243.	[243] Lasso and Elastic Net. Pobrane z: https://www.mathworks.com/help/stats/lasso-and- -elastic-net.html?requestedDomain=www.mathworks.com (dostęp: 05.04.2017).
244.	[244] J. Trzęsiok, Nieklasyczne metody regresji a problem odporności, „Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu” 2015, nr 385, s. 296–304.
245.	[245] P. Breheny, Ridge regression. Pobrane z: http://web.as.uky.edu/statistics/users/ pbreheny/764-f11/notes/9-1.pdf (dostęp: 5.04.2017).
246.	[246] J. Trzęsiok, Porównanie zdolności predykcyjnych modelu regresji grzbietowej z wybranymi nieparametrycznymi modelami regresji, „Studia Ekonomiczne” 2014, nr 191, s. 65–74.
247.	[247] K. Szelągowski, Interfejs WWW dla biblioteki Infosel++, Dąbrowa Górnicza: Wyższa Szkoła Biznesu w Dąbrowie Górniczej, 2010.
248.	[248] I. Guyon, J. Weston, S. Barnhill, V. Vapnik, Gene selection for cancer classification using support vector machines, „Machine Learning” 2002, vol. 46, no. 1/3, s. 389–422.
249.	[249] O. Chapelle, S. Keerthi, Multi-class feature selection with support vector machines, [w:] In Proceedings of the American Statistical Association, 2008.
250.	[250] S. Maldonado, R. Weber, J. Basak, Simultaneous feature selection and classification using kernel-penalized support vector machines, „Information Sciences” 2011, vol. 181, s. 115–128.
251.	[251] M. Plechawska-Wójcik, Biological interpretation of the most informative peaks in the task of mass spectrometry data classification, „Studia Informatica” 2011, vol. 32, nr 2A, s. 213–228.
252.	[252] Feature selection with SVM-RFE. Pobrane z: https://www.mathworks.com/matlabcentral/ fileexchange/50701-feature-selection-with-svm-rfe (dostęp: 19.04.2017).
253.	[253] H. Górecki, Optymalizacja systemów dynamicznych, Warszawa: Wydawnictwo Naukowe PWN, 1993.
254.	[254] W. Chmielowski, Zastosowanie optymalizacji w gospodarce wodnej, Kraków: Wydawnictwo Politechniki Krakowskiej, 2005.
255.	[255] J. Stadnicki, Teoria i praktyka rozwiązywania zadań optymalizacji z przykładami zastosowań technicznych, Warszawa: WNT, 2006.
256.	[256] J.R. Dixon, P. Corrado, Engineering design and design for manufacturing. A structured approach, Conway: Field Stone Publishers, 1995.
257.	[257] Programowanie liniowe. Pobrane z: https://mfiles.pl/pl/index.php/Programowanie_liniowe (dostęp: 15.02.2025).
258.	[258] I. Gościniak, Nowe ujęcie wybranych zagadnień optymalizacji, Katowice: Wydawnictow Uniwersytetu Śląskiego, 2014.
259.	[259] A. Ostanin, Optymalizacja liniowa i nieliniowa, Białystok: Wydawnictwo Politechniki Białostockiej, 2005.
260.	[260] J. Korbicz, K. Patan, A. Obuchowicz, Dynamie neural networks for process modelling in fault detection and isolation, „International Journal of Applied Mathematics and Computer Science” 1999, vol. 9, no. 3, s. 519–546.
261.	[261] S. Wan, L. Banta, Parameter incremental learning algorithm for neural networks, „IEEE Transactions on Neural Networks” 2006, vol. 17, no 6, s. 1424–1438.
262.	[262] J. Bilski, Uczenie nadzorowane wielowarstwowych sieci neuronowych, [w:] Ewolucja czy rewolucja. Nowoczesne techniki informatyczne, red. E. Cierniak, Częstochowa: Politechnika Częstochowska, 2003, s. 59–101.
263.	[263] S. Kollias, D. Anastassiou, An adaptive least squares algorithm for the efficient training of artificial neural networks, „IEEE Trans on Circuits Syst” 1989, vol. 36, s. 1092– 1101.
264.	[264] B. Wilamowski, N. Cotton, O. Kaynak, G. Dundar, Computing gradient vector and Jacobian matrix in arbitrarily connected neural networks, „IEEE Transaction Ind. Electron” 2008, vol. 55, no. 10, s. 3784–3790.
265.	[265] N. Ampazis, S. Perantonis, Two highly efficient second-order algorithms for training feedforward networks, „IEEE Transaction on Neural Networks” 2002, vol. 13, no. 5, s. 1064–1074.
266.	[266] M. Kordos, W. Duch, Multilayer perceptron trained with numerical gradient, [w:] Proceedings of the International Conference on Artificial Neural Networks and International Conference on Natural Information Processing, 2003.
267.	[267] M. Skowronek, Modelowanie cyfrowe. Opis, algorytmy i środki programowe, Gliwice: Wydawnictwo Plitechniki Śląskiej, 2004.
268.	[268] K.M. Gawrylczyk, Metody bezgradientowe. Pobrane z: http://kmg.zut.edu.pl/ftp/opt (dostęp: 05.10.2016).
269.	[269] A. Caba, Wielki słownik wyrazów obcych, Kraków: Krakowskie Wydawnictwo Naukowe, 2008.
270.	[270] H. Zgółkowa, Praktyczny słownik współczesnej polszczyzny, tom 8, Poznań: Wydawnictwo Kurpin, 2003.
271.	[271] B. Dunaj, Słownik współczesnego języka polskiego, Warszawa: Wilga, 1996.
272.	[272] E. Sobol, Podręczny słownik języka polskiego, Warszawa: Wydawnictwo Naukowe PWN, 1996.
273.	[273] E. Sobol, L. Dralik, A. Kabiak-Sokół, L. Wiśniewska, Słownik języka polskiego PWN, Warszawa: Wydawnictwo Naukowe PWN, 2006.
274.	[274] M. Bańko, Wielki słownik wyrazów obcych PWN, Warszawa: Wydawnictwo Naukowe PWN, 2003.
275.	[275] Model deterministyczny. Pobrane z: https://pl.wikipedia.org/wiki/Model_deterministyczny (dostęp: 20.04.2016).
276.	[276] K. Schittkowski, C. Zillober, R. Zotemantel, Numerical comparison of nonlinear programming algorithms for structural optimization, „Structural Optimization” 1994, vol. 7, s. 1–19.
277.	[277] C. Cichoń, M. Detka, Wybrane zagadnienia programowania liniowego, Kielce: Wydawnictwo Politechniki Świętokrzyskiej, 2004.
278.	[278] J. Forenc, Podstawy informatyki 2, Białystok: Politechnika Białostocka, 2007.
279.	[279] G. Garai, B.B. Chaudhurib, A novel genetic algorithm for automatic clustering, „Pattern Recognition Letters” 2004, vol. 25, no. 2, s. 173–187.
280.	[280] S.C. Chapra, Applied numerical methods with MATLAB for engineers and scientists, Natick: McGraw-Hill, 2012.
281.	[281] A. Azaron, C. Perkgoz, M. Sakawa, A genetic algorithm approach for the time-cost trade-off in PERT networks, Applied Mathematics and Computation, tom 168, nr 2, pp. 1317–1339, 2005.
282.	[282] T.N. Bui, B.R. Moon, Genetic algorithm and graph partitioning, „IEEE Transactions on Computers” 1996, vol. 45, no. 7, s. 841–855.
283.	[283] M. Zawisza, Optymalizacja funkcji jednej zmiennej. Pobrane z: http://akson.sgh. waw.pl/~mz35109/MO/z2/zajecia2.pdf (dostęp: 8.04.2016).
284.	[284] M. Lewandowski, Metody optymalizacji – teoria i wybrane algorytmy. Pobrane z: https://web.sgh.waw.pl/~mlewan1/Site/MO_files/mo_skrypt_21_12.pdf (dostęp: 1.02.2017).
285.	[285] W. Findeisen, J. Szymanowski, A. Wierzbicki, Metody obliczeniowe optymalizacji, Warszawa: Wydawnictwa Politechniki Warszawskiej, 1973.
286.	[286] K. Amborski, Podstawy metod optymalizacji, Warszawa: Oficyna Wydawnicza Politechniki Warszawskiej, 2009.
287.	[287] J. Bralczyk, Słownik 100 tysięcy potrzebnych słów, Warszawa: Wydawnictwo Naukowe PWN, 2005.
288.	[288] A. Stankiewicz, L. Wiśniakowska, B. Wróbel, B. Pakosz, Słownik wyrazów obcych, Warszawa: Wydawnictwo Naukowe PWN, 1996.
289.	[289] A. Trzesimiech, Układy stochastyczne, Katowice: Uniwersytet Śląski, 2009.
290.	[290] B. Kuipers, Qualitative Reasoning. Modeling and Simulation with Incomplete Knowledge, Cambridge: MIT Press, 1994.
291.	[291] T. Masters, Sieci neuronowe w praktyce, Warszawa: WNT, 1996.
292.	[292] E. Aarts, P. Laarhoven, Simulated Annealing: Theory and Practice, New York: John Wiley & Sons, 1987.
293.	[293] R. Azencott, Simulated Annealing: Parallelization Techniques, New York: John Wiley & Sons, 1992.
294.	[294] M.A. Stybliński, T.-S. Tang, Experiment in nonconvex optimization: stochastic approximation with function smoothing and simulated annealing, „Neural Networks” 1990, no. 3, s. 467–483.
295.	[295] W.H. Press, B. Flannery, S. Teukolsky, W. Vetterling, Numerical recipes in C, New York: Cambridge University Press, 1988.
296.	[296] D. Knuth, Seminumerical algorithms, Massachusetts: Addison-Wesley Rading, 1981.
297.	[297] J. Korbicz, A. Obuchowicz, D. Uciński, Sztuczne sieci neuronowe. podstawy i zastosowania, Warszawa: Akademicka Oficyna Wydawnicza PLJ, 1994.
298.	[298] A. Smoliński, Klasyfikacja i porównanie metod klasycznej optymalizacji wielokryterialnej, „Informatyczne Systemy Zarzadzania” 2009, vol. 5, s. 117–133.
299.	[299] P. Chołda, Programowanie dynamiczne i optymalizacja wielokryterialna, Kraków: Akademia Górniczo-Hutnicza w Krakowie, 2016.
300.	[300] R. Ryńca, D. Kuchta, Propozycja integracji programowania celowego i zrównoważonej karty wyników – ujęcie modelowe i studium przypadku, „Zeszyty Naukowe Uniwersytetu Szczecińskiego” 2015, tom 73, nr 854, s. 239–251.
301.	[301] P. Krzemień, A. Gajek, Wpływ postaci funkcji jakości oraz wag kryteriów cząstkowych na wyniki optymalizacji zderzenia metodą genetyczną, „Czasopismo Techniczne Politechniki Krakowskiej” 2012, vol. 10, no. 109, s. 173–183.
302.	[302] Z. Osiński, J. Wróbel, Teoria konstrukcji maszyn, Warszawa: Wydawnictwo Naukowe PWN, 1995.
303.	[303] W. Tarnowski, Podstawy projektowania technicznego, Warszawa: WNT, 1997.
304.	[304] A. Osyczka, Evolutionary algorithms for a single and multicriteria design optimization, Heidelberg: Physica-Verlag, 2002.
305.	[305] Z. Sekulski, Wybrane problemy optymalizacji wielokryterialnej we wstępnym projektowaniu konstrukcji kadłuba statków morskich, Szczecin: Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, 2012.
306.	[306] E. Roszkowska, Rank ordering criteria weighting methods – a comparative overview, „Optimum. Studia Ekonomiczne” 2013, vol. 5, no. 56, s. 14–33.
307.	[307] C.K. Makropoulos, D. Butler, Spatial ordered weighted averaging: incorporating spatially variable attitude towards risk in spatial multi-criteria decision-making, „Environmental Modelling & Software” 2006, vol. 21, s. 69–84.
308.	[308] R. Miłaszewski, J. Śleszyński, Zastosowanie programowania celowego do modelowania działalności inwestycyjnej w zakresie ochrony wód, „Ekonomia i Środowisko” 1992, nr 2, s. 103–115.
309.	[309] K. Krupińska, Zalety i wady modelu programowania celowego, „Prace Naukowe Akademii Ekonomicznej we Wrocławiu” 2003, nr 981, s. 156–173.
310.	[310] Porządek leksykograficzny. Pobrane z: https://pl.wikipedia.org/wiki/Porządek_leksykograficzny (dostęp: 14.07.2017).
311.	[311] C. Schneeweis, Hierarchical structures in organisations: A conceptual framework, „European Journal of Operational Research” 1995, vol. 85, s. 4–31.
312.	[312] W. Ogryczak, T. Śliwiński, On solving linear programs with the ordered weighted averaging objective, „European Journal of Operational Research” 2003, vol. 148, s. 80–91.
313.	[313] A. Giarlotta, Multicriteria compensability analysis, „European Journal of Operational Research” 2001, vol. 133, s. 190–209.
314.	[314] W. Ogryczak, T. Śliwiński, Lexicographic Max-Min Optimization for Efficient and Fair Bandwidth Allocation. Pobrane z: https://www.euro-online.org/enog/inoc2007/ Papers/author.100/paper/paper.100.pdf (dostęp: 15.07.2017).
315.	[315] R.M. Salles, J.A. Barria, Lexicographic Maximin Optimisation for Fair Bandwidth Allocation in Computer Networks. Pobrane z: https://pdfs.semanticscholar.org/4875/ 83c1a64572006bfc468e72e6ef574f7cdd3d.pdf (dostęp: 15.07.2017).
316.	[316] Lexicographical order. Pobrane z: https://en.wikipedia.org/wiki/Lexicographical_order (dostęp: 14.07.2017).
317.	[317] R.T. Marler, J.S. Arora, Survey of multi-objective optimization methods for engineering, „Structural and Multidisciplinary Optimization” 2004, vol. 26, s. 369–395.
318.	[318] L.M. Kirilov, N.B. Dokev, A lexicographic ordering approach in multiple CriUeria decision support, First International IEEE Symposium „Intelligent Systems” 2002, s. 314–319.
319.	[319] I. Yevseyeva, K. Miettinen, P. Rasanen, Verbal ordinal classification with multicriteria decision aiding, „European Journal of Operational Research” 2008, vol. 185, s. 964– 983.
320.	[320] K.-W. Jee, D.L. McShan, B.A. Fraass, Lexicographic ordering: intuitive multicriteria optimization for IMRT, „Physics in Medicine and Biology” 2007, tom 52, s. 1845–1861.
321.	[321] K. Miettinen, Nonlinear multiobjective optimization, Boston: Kluwer, 1999.
322.	[322] W. Bura, Wielokryterialne, mrowiskowe algorytmy optymalizacji w nawigacji samochodowej, Sosnowiec: Uniwersytet Śląski, 2014.
323.	[323] N.H. Zardari, K. Ahmed, S.M. Shirazi, Z.B. Yusop, Weighting methods and their effects on multi-criteria decision making model outcomes in water resources management, Cham: Springer, 2014.
324.	[324] J. Malczewski, Ordered weighted averaging with fuzzy quantifiers: GIS-based multicriteria evaluation for land-use suitability analysis, „International Journal of Applied Earth Observation and Geoinformation” 2006, vol. 8, s. 270–277.
325.	[325] P.V. Gorsevski, K.R. Donevska, C.D. Mitrovski, J.P. Frizado, Integrating multi-criteria evaluation techniques with geographic information systems for landfill site selection: A case study using ordered weighted average, „Waste Management” 2012, vol. 32, s. 287–296.
326.	[326] R.R. Yager, On ordered weighted averaging aggregation operators in multicriteria decision making, „IEEE Transactions on Systems, Man, and Cybernetics” 1988, vol. 8, s. 183–190.
327.	[327] H. Jiang, R.J. Eastman, Application of fuzzy measures in multi-criteria evaluation in GIS, „International Journal of Geographical Information Systems” 2000, vol. 14, s. 173–184.
328.	[328] B.S. Ahn, Compatible weighting method with rank order centroid: Maximum entropy ordered weighted averaging approach, „European Journal of Operational Research” 2011, vol. 212, no. 3, s. 552–559.
329.	[329] J.-R. Chou, A weighted linear combination ranking technique for multi-criteria decision analysis, „South African Journal of Economic and Management Sciences” 2013, vol. 16, no. 5.
330.	[330] G. Xiong, Q. Pan, H. Zhang, N. Ji, A satisfactory coordination solution of multipleperson cooperative game, [w:] International Conference on Wireless Communications, Networking and Mobile Computing, 2007.
331.	[331] T. Błaszczyk, M. Nowak, Wielokryterialne wspomaganie decyzji w harmonogramowaniu projektów, „Decyzje” 2010, vol. 13, s. 27–54.
332.	[332] W. Ogryczak, Wielokryterialna optymalizacja liniowa i dyskretna; modele preferencji i zastosowania do wspomagania decyzji, Warszawa: Instytut Informatyki, Uniwersytet Warszawski, 1997.
333.	[333] A. Ameljańczyk, Metoda podziału zbioru obiektów na wielokryterialne klastry jakościowe, „Biuletyn Instytutu Systemów Informatycznych” 2013, vol. 12, s. 1–7.
334.	[334] Platforma e-learningowa SGH. Pobrane z: https://www.e-sgh.pl/niezbednik/plik. php?id=27244571&pid=1797 (dostęp: 15.07.2017).
335.	[335] P.C. Fishburn, Exceptional paper – lexicographic orders, utilities and decision rules: a survey, „Management Science” 1974, vol. 20, no. 11, s. 1442–1471.
336.	[336] Y. Collette, P. Siarry, Multiobjective optimization, Berlin: Springer, 2003.
337.	[337] L. Ladha, T. Deepa, Feature selection methods and algorithms, „International Journal on Computer Science and Engineering” 2011, vol. 3, no. 5, s. 1787–1797.
338.	[338] K. Mączka, Metody filtrów dla danych finansowych i biomedycznych, Katowice: Politechnika Śląska, 2005.
339.	[339] B. Raman, T.R. Ioerger, Enhancing learning using feature and example selection, Texas: A&M University, 2003.
340.	[340] B. Kostek, P. Szczuko, Sztuczna inteligencja w medycynie, Gdańsk: Politechnika Gdańska, 2015.
341.	[341] H. Liu, H. Motoda, M. Dash, A monotonic measure for optimal feature selection, [w:] Machine Learning: ECML-98. ECML 1998. Lecture Notes in Computer Science, eds. C. Nédellec, C. Rouveirol, Berlin: Springer, 1998.
342.	[342] J. Bala, K. De Jong, Huang J, H. Vafaie, H. Wechsler, Visual routine for eye detection using hybrid genetic architectures, [w:] Proceedings of the International Conference on Pattern Recognition, Vienna, Austria, 1996.
343.	[343] R. Caruana, D. Freitag, Greedy attribute selection, [w:] Proc. of 11th International Machine Learning Conference, New Brunswick, New York: Morgan Kaufmann, 1994, s. 28–36.
344.	[344] M. Dong, R. Kothari, Feature subset selection using a new definition of classifiability, New Delhi: Indian Institute of Technology, 2003.
345.	[345] M. Komori, H. Abe, T. Yamaguthi, A new feature selection method based on dynamic incremental extension of seed features, [w:] Knowledge-based software engineering, eds. T. Welzer, S. Yamamoto, I. Rozman. Amsterdam: IOS Press, 2002, s. 291–298.
346.	[346] H. Kwaśnicka, K. Michalak, Correlation based feature selection strategy in classification problems, „International Journal of Applied Mathematics and Computer Science” 2006, vol. 16, no. 4, s. 503–511.
347.	[347] H. Kwaśnicka, K. Michalak, Correlation based feature selection strategy in neural classification, Los Alamitos: IEEE Computer Society, 2006.
348.	[348] P. Langley, Selection of relevant features in machine learning, Pat Langley: Institute for the Study of Learning and Expertise, 1994.
349.	[349] E. Pekalska, A. Harol, C. Lai, R.P. Duin, Pairwise selection of features and prototypes, [w:] Proceeding of 4th International Conference on Computer Recognition Systems – CORES’2005, 2005.
350.	[350] Z. Sun, G. Bebis, X. Yuan, S.J. Louis, Genetic feature subset selection for gender classification: a comparison study, Nevada: University of Nevada, 2002.
351.	[351] H. Vafaie, K. De Jong, Genetic algorithms as a tool for feature selection in machine learning, Fairfax: Center for Artificial Intelligence George Mason University, 1992.
352.	[352] H. Vafaie, K. De Jong, Genetic algorithms as a tool for restructuring feature space representations, Fairfax: Center for Artificial Intelligence George Mason University, 1995.
353.	[353] H. Vafaie, K. De Jong, Improvising a rule induction system using genetic algorithms, Fairfax: Center for Artificial Intelligence George Mason University, 1994.
354.	[354] H. Vafaie, K. De Jong, Robust feature selection algorithm, Fairfax: Center for Artificial Intelligence George Mason University, 1993.
355.	[355] O. Uncu, I.B. Turksen, A novel feature selection approach: Combining feature wrappers and filters, „Information Sciences” 2007, vol. 177, s. 449–466.
356.	[356] L. Talavera, An evaluation of filter and wrapper methods for feature selection in categorical clustering, [w:] Advances in Intelligent Data Analysis VI, Berlin: Springer, 2005, s. 440–451.
357.	[357] H. Kwaśnicka, P. Orski, Genetic algorithm as an attributes selection tool for learning algorithms, [w:] Proceedings of the Intelligent Information Systems: Intelligent Information Processing and Web Mining 2004 Conference, 2004, s. 449–453.
358.	[358] J. Reunanen, Search strategies for wrapper methods, [w:] Feature extraction. Foundations and applications, eds. I. Guyon, S. Gunn, M. Nikravesh, L. Zadeh, Berlin: Springer, 2006, s. 89–118.
359.	[359] R. Kovahi, G.H. John, Wrappers for features subset selection, data mining and visualization silicon graphics, „Artificial Intelligence” 1997, vol. 97, no. 1-2, 273–324.
360.	[360] I. Guyon, A. Elisseeff, An introduction to variable and feature selection, „Journal of Machine Learning Research” 2003, vol. 3.
361.	[361] K. Mehmed, Data mining: concepts, models, methods, and algorithms, New York: John Wiley & Sons, 2011.
362.	[362] P. Yang, B.B. Zhou, Z. Zhang, A.Y. Zomaya, A multi-filter enhanced genetic ensemble system for gene selection and sample classification of microarray data, „BMC Bioinformatics” 2010, vol. 11.
363.	[363] H. Liu, H. Motoda, Feature extraction, construction, and selection, New York: Springer, 1998.
364.	[364] R. Setiono, H. Liu, Chi2: feature selection and discretization of numeric attributes, [w:] Proceedings of 7th IEEE International Conference on Tools with Artificial Intelligence, 1995, s. 388–391.
365.	[365] K. Torkkola, Information-theoretic methods for feature selection and construction, [w:] Feature extraction. Studies in fuzziness and soft computing, eds. I. Guyon, M. Nikravesh, S. Gunn, L.A. Zadeh, Berlin: Springer, s. 167–185.
366.	[366] W. Duch, Filter methods, [w:] Feature extraction. Foundations and applications, eds. I. Guyon, S. Gunn, M. Nikravesh, L. Zadeh, Berlin: Springer, 2006, s. 89–117.
367.	[367] M. Blachnik, Metody selekcji cech. Pobrane z: http://www.mblachnik.pl/lib/exe/fetch. php/dydaktyka/zajecia/wyklady/metody_selekcji_cech.pdf. (dostęp: 5.04.2017).
368.	[368] M. James, Pattern recognition, New York: Wiley-Interscience, 1988.
369.	[369] Współczynnik korelacji R Pearsona. Pobrane z: http://www.naukowiec.org/wzory/statystyka/ wspolczynnik-korelacji-r-pearsona_22.html (dostęp: 13.02.2017).
370.	[370] Odchylenie standardowe. Pobrane z: http://www.naukowiec.org/wzory/statystyka/ odchylenie-standardowe_5.html (dostęp: 13.02.2017).
371.	[371] S. Chikhi, S. Benhammada, ReliefMSS: a variation on a feature ranking ReliefF algorithm, „International Journal of Business Intelligence and Data Mining” 2009, vol. 4, no. 3, s. 375–390.
372.	[372] H. Liu, R. Setiono, A probabilistic approach to feature selection: a filter solution, [w:] 13th International Conference on Machine Learning (ICML), 1996, s. 319–327.
373.	[373] P. Ziemba, R. Budziński, Selekcja kryteriów oceny jakości serwisów internetowych z wykorzystaniem pojemności informacyjnej Hellwiga, „Metody Ilościowe w Badaniach Ekonomicznych” 2012, tom 13, nr 3, s. 302–311.
374.	[374] E.E. Ghiselli, Theory of psychological measurement, New York: McGraw-Hill Education, 1964.
375.	[375] A. Gupta, R.K. Agrawal, B. Kaur, Performance enhancement of mental task classification using EEG signal: a study of multivariate feature selection methods, „Methodologies And Application, Soft Computing” 2015, vol. 19, s. 2799–2812.
376.	[376] R.C. Holte, Very simple classification rules perform well on most commonly used datasets, „Machine Learning” 1993, vol. 11, no. 1, s. 63–90.
377.	[377] S.J. Cunningham, B. Summers, Applying machine learning to subject classification and subject description for information retrieval, [w:] ANNES ’95 Proceedings of the 2nd New Zealand Two-Stream International Conference on Artificial Neural Networks and Expert Systems, Washington: IEEE Computer Society, 1995.
378.	[378] P. Ziemba, Zastosowanie korelacji i metody wielokryterialnego podejmowania decyzji przy doborze kryteriów oceny serwisów internetowych, „Ekonometria” 2011, vol. 34, s. 154–164.
379.	[379] A.I. Blum, P. Langley, Selection of relevant features and examples in machine learning, „Artificial Intelligence” 1997, vol. 97, s. 245–271.
380.	[380] A.Y. Ng, Feature selection, L1 vs. L2 regularization, and rotation invariance, [w:] Proceedings of the 21st International Conference on Machine Learning, Banff: The International Machine Learning Society, 2004, s. 78–86.
381.	[381] Zmniejszanie wymiarowości przestrzeni poprzez selekcje cech. Pobrane z: http:// books.icse.us.edu.pl/runestone/static/ai/MetodyRedukcjiWymiarowosciPrzestrzeniCech/ ZmniejszanieWymiarowosciPrzestrzeniPoprzezSelekcjeCech.html (dostęp: 24.03.2017).
382.	[382] Metody redukcji wymiarowości przestrzeni cech. Pobrane z: http://books.icse.us.edu. pl/runestone/static/ai/MetodyRedukcjiWymiarowosciPrzestrzeniCech/Wstep.html (dostęp: 24.03.2017).
383.	[383] P. Włodarczyk, Wizualizacja danych, Toruń: Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika w Toruniu, 2007.
384.	[384] U. Libal, Redukcja wymiaru – metoda PCA, Wrocław: Politechnika Wrocławska, 2015.
385.	[385] Metoda składowych głównych (PCA). Pobrane z: http://books.icse.us.edu.pl/runestone/ static/ai/MetodyRedukcjiWymiarowosciPrzestrzeniCech/ZmniejszanieWymiarowosciPrzestrzeniPoprzezEkstrakcjeCech. html#metoda-skladowych-glownych-pca (dostęp: 08.03.2017).
386.	[386] I.T. Jolliffe, Principal component analysis. Berlin: Springer, 2002.
387.	[387] J. Koronacki, J. Ćwik, Statystyczne systemy uczące się, Warszawa: WNT, 2005.
388.	[388] W.W. Cooley, P.R. Lohnes, Multivariate Data Analysis, New York: John Wiley & Sons, 1971.
389.	[389] W. Sobczak, W. Malina, Metody selekcji i redukcji informacji, Warszawa: WNT, 1985.
390.	[390] Analiza głównych składowych. Pobrane z: https://pl.wikipedia.org/wiki/Analiza_głównych_ składowych (dostęp: 2.03.2017).
391.	[391] A. Webb, Statistical Pattern Recognition, New York: John Wiley & Sons, 2002.
392.	[392] D.E. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning, Alabama: The University of Alabama, 1989.
393.	[393] H. Kwaśnicka, Obliczenia ewolucyjne w sztucznej inteligencji, Wrocław: Oficyna Wydawnicza Politechniki Wrocławskiej, 1999.
394.	[394] D.B. Fogel, Evolving Artificial Intelligence, San Diego: University of California, 1992.
395.	[395] R. Galar, Miękka selekcja w losowej adaptacji globalnej w „R”. Próba biocybernetycznego ujęcia rozwoju, Wrocław: Politechnika Wrocławska, 1990.
396.	[396] M. Rutkowska, L. Piliński, L. Rutkowski, Sieci neuronowe, algorytmy genetyczne, systemy rozmyte, Warszawa: Wydawnictwo Naukowe PWN, 1997.
397.	[397] P. Cichosz, Systemy uczące się, Warszawa: WNT, 2006.
398.	[398] L.J. Fogel, Artificial Intelligence Through Sumulated Evolution, Chichester, UK.: John Wiley, 1996.
399.	[399] G. Wilczewski, Algorytmy ewolucyjne – wprowadzenie. Pobrane z: http://zasada.zut. edu.pl/ag/Wilczewski.pdf (dostęp: 30.12.2016).
400.	[400] D. Ashlock, Evolutionary Computation for Modeling and Optimization, Guelph, Ontario: Springer, 2006.
401.	[401] A.K. Minga, Genetic algorithms in aerospace design, [w:] AIAA Sutheastern Regional Student Conference, Huntsville, 1986.
402.	[402] D. Quagliarella, J. Periaux, C. Poloni, G. Winter, Genetic Algorithms and Evolution Strategies in Engineering and Computer Science, West Sussex: John Wiley & Sons, 1998.
403.	[403] D. Wolpert, W. Macready, No free lunch theorems for search, Santa Fe: Sante Fe Institute, 1995.
404.	[404] F. Glover, Scatter Search and path relinking, [w:] New ideas in optimization, eds. D. Corne, M. Doringo, F. Glover, Columbus: McGraw Hill, 1999, s. 297–316.
405.	[405] D.E. Goldberg, Optimal initial population size for binary-coded genetic algorithms, University of Alabama, 1985.
406.	[406] D.E. Goldberg, The genetic algorithm approach: Why, how, and what next?, [w:] Adaptive and learning systems: Theory and applications, New York: Plenum Press, 1986, s. 247–253.
407.	[407] D.E. Goldberg, Simple genetic algorithms and the minimal deceptive problems, [w:] Genetic algorithms and simulated annealing, London: Pitman, 1987, s. 74–88.
408.	[408] D.E. Goldberg, C.H. Kuo, Genetic algorithms in pipeline optimization, „Journal of Computers in Civil Engineering” 1987, vol. 1, no. 2, s. 128–141.
409.	[409] D.E. Goldberg, SGA: A simple genetic algorithm, Michigan: University of Michigan, 1982.
410.	[410] D.E. Goldberg, Computer-aided pipeline operation using genetic algorithms and rule learning, Houston: API Pipeline Cybernetics Symposium, 1984.
411.	[411] D.E. Goldberg, M.P. Samtani, Engineering optimization via genetic algorithm, [w:] Proceedings of the 9th Conference on Electronic Computation, 1986, s. 471–482.
412.	[412] D.E. Goldberg, Controlling dynamics systems with genetic algorithms and rule learning, [w:] „Proceedings of the 4th Yale Workshop on Applications of Adaptive Systems Theory” 1985, s. 91–97.
413.	[413] D.E. Goldberg, J. Richardson, Genetic algorithms with sharing for multimodal function optimization, [w:] „Proceedings of 2nd International Conference on Gentic Algorithms” 1987, s. 41–49.
414.	[414] D.E. Goldberg, R.E. Smith, Nonstationary function optimization using genetic algorithms with dominance and diploidy, [w:] „Proceedings of the 2nd International Conference in Genetic Algorithms” 1987, s. 59–68.
415.	[415] D.E. Goldberg, Dynamic system control using rule learning and genetic algorithms, [w:] „Proceedings of the 9th International Joint Conference on Artificial Intelligence” 1985, s. 588–592.
416.	[416] D.E. Goldberg, A tale of two problems: Broad and efficient optimization using genetic algorithms, [w:] Proceedings of the 1986 Summer Computer Simulation Conference, 1986, s. 44–48.
417.	[417] D.E. Goldberg, A.L. Thomas, Genetic algorithms: A bibliography 1962–1986, Alabama: University of Alabama, 1986.
418.	[418] J.H. Holland, Genetic algorithms and the optimal allocations of trials, „SIAM Journal of Computing” 1973, vol. 2, no. 2, s. 88–105.
419.	[419] M.D. Vose, The simple genetic algorithm: foundation and theory, Cambridge: MIT Press, 1999.
420.	[420] J.R. Sampson, A. Brindle, Genetic algorithms for function optimization, [w:] Proceedings of the 9th Minitoba Conference on Numerical Mathematics and Computing, 1979, s. 31–47.
421.	[421] J.H. Holland, Genetic algorithms and classifier systems: Foundations and futur directions, [w:] Proceedings of the 2nd International Conference on Genetic Algorithms, 1987, s. 82–87.
422.	[422] J.H. Holland, Genetic algorithms and adaptation, [w:] Adaptive Control of Ill-Defined Systems, eds. O.G. Selfridge, E.L. Rissland, M.A. Arbib, Boston: Springer, 1984.
423.	[423] J.H. Holland, Adaptation in natural and artificial systems, Michigan: University of Michigan, 1975.
424.	[424] G.E. Liepins, M.R. Hilliard, Genetic algorithms as a paradigm for machine learning, [w:] ORSA/TIMS Joint Natural Meeting, Miami, 1986.
425.	[425] J. Cytowski, Algorytmy genetyczne, Warszawa: Akademicka Oficyna Wydawnicza PLJ, 1996.
426.	[426] K. De Jong, Learning with genetic algorithms: an overview, [w:] Genetic algorithms, Los Angeles: IEEE Computer Society Press, 1992, s. 30–48.
427.	[427] R. Tanese, Parallel genetic algorithms for a hypercube, [w:] Proceedings of the 2nd International Conference on Genetic Algorithms, 1987, s. 177–183.
428.	[428] J.D. Schaffer, J.J. Grefenstette, Multi-objective learning via genetic algorithms, [w:] Proceedings of the 9th International Joint Conference on Artificial Intelligence, 1985, s. 593–595.
429.	[429] R. Schaefer, Podstawy genetycznej optymalizacji globalnej, Kraków: Wydawnictwo Uniwersytetu Jagiellońskiego, 2002.
430.	[430] J.D. Schaffer, A. Morishima, An adaptive crossover distribution mechanism for genetic algorithms, [w:] Proceedings of the 2nd International Conference on Genetic Algorithms, 1987, s. 36–40.
431.	[431] M. Mitchell, An Introduction To Genetic Algorithms, Cambridge: MIT Press, 1996.
432.	[432] M. Flasiński, Wstęp do sztucznej inteligencji, Warszawa: Wydawnictwo Naukowe PWN, 2011.
433.	[433] B.P. Buckles, F.E. Petry, J.J. Grefenstette, Optimization of control parameters for genetic algorithms, [w:] Genetic algorithms, eds. B.P. Buckles, Los Alamitos: IEEE Computer Society Press, 1994.
434.	[434] R. Cierniak, Ewolucja czy rewolucja. Nowoczesne techniki informatyczne. Księga jubileuszowa poświecona Profesorowi Leszkowi Rutkowskiemu, Częstochowa: Katedra Inżynierii Komputerowej Politechniki Częstochowskiej, 2003.
435.	[435] J.J. Mulawka, Systemy ekspertowe, Warszawa: WNT, 1996.
436.	[436] J. Drabarek, Metody sztucznej inteligencji w diagnostyce urządzeń elektronicznych, Koszalin: Wydawnictwo Uczelniane Politechniki Koszalińskiej, 2011.
437.	[437] W. Findeisen, J. Szymanowski, A. Wierzbicki, Teoria i metody obliczeniowe optymalizacji, Warszawa: PWN, 1980.
438.	[438] P. Kieś, Dobór parametrów binarnego algorytmu genetycznego metodą off-line, Warszawa: Instytut Naukowo-Badawczy ZTUREK, 2000.
439.	[439] E. Figielska, Algorytmy ewolucyjne i ich zastosowania, „Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki” 2006, nr 1, s. 81–92,
440.	[440] V. Odugawa, A. Tivari, R. Roy, Evolutionary computing in manufacturing industry: an overview of recent applications, „Applied Soft Computing” 2005, vol. 5, no. 3, s. 281–299.
441.	[441] J.R. Koza, Genetic Programming, Cambridge: MIT Press, 1992.
442.	[442] K.E. Kinnear, Advances in Genetic Programming, Cambridge: MIT Press, 1994.
443.	[443] M. Kasprzak, Zaawansowane programowanie. Wykład 4: jeszcze o metaheurystykach, Poznań: Politechnika Poznańska, 2012.
444.	[444] T. James, C. Rego, F. Glover, Sequential and parallel path-relinking algorithms for the quadratic assignment problem, „IEEE Intelligent Systems” 2005, vol. 20, no. 4, s. 58–65.
445.	[445] W. Bożejko, M. Wodecki, Równoległy algorytm scatter search dla problemu przepływowego z kryterium C_sum, „Automatyka” 2007, tom 11, nr 1-2, s. 53–59.
446.	[446] M. Łącki, Model środowiska wieloagentowego w neuroewolucyjnym sterowaniu statkiem, „Zeszyty Naukowe Akademii Morskiej w Gdyni” 2010, tom 67, s. 31–36.
447.	[447] P. Boryczko, Neuroewolucja topologii sieci neuronowych z wykorzystaniem algorytmów genetycznych, Kraków: Politechnika Krakowska, 2011.
448.	[448] K.O. Stanley, D.B. Bobby, R. Miikkulainen, Real-time neuroevolution in the NERO video game, „IEEE Transactions On Evolutionary Computation” 2005, vol. 9, no. 6, s. 653–668.
449.	[449] L. Bolc, J. Cytowski, Search Methods for Artificial Intelligence, Warszawa: Academic Press, 1992.
450.	[450] I. Buałynicki-Birula, I. Białaynicka-Birula, Modelowanie rzeczywistości. Jak w komputerze przegląda się świat, Warszawa: WNT, 2007.
451.	[451] R. Dawkins, Rzeka genów, Warszawa: Wydawnictwo CIS, 1995.
452.	[452] A. Hoffman, Wokół ewolucji, Warszawa: PIW, 1983.
453.	[453] L. Bolc, J. Zaremba, Wprowadzenie do uczenia się maszyn, Warszawa: Akademicka Oficyna Wydawnicza RM, 1992.
454.	[454] S. Goonatilake, S. Khebbal, Intelligent Hybrid Systems, London: John Wiley & Sons, 1995.
455.	[455] W.D. Mauer, The programmer’s introduction to LISP, London: Macdonald, 1972.
456.	[456] Zasoby Open AGH. Pobrane z: http://zasoby.open.agh.edu.pl (dostęp: 15.10.2016).
457.	[457] H. Piech, Wykorzystanie narzędzi stochastycznych do realizacji algorytmów genetycznych, Częstochowa: Politechnika Częstochowska, 2003.
458.	[458] T. Jones, Crossover, macromutation, and population-based search, [w:] Proceedings of the 6th International Conference on Genetic Algorithms, San Mateo: Morgan Kaufmann, 1996.
459.	[459] D.E. Goldberg, Algorytmy genetyczne i ich zastosowania, Warszawa: WNT, 1998.
460.	[460] M. Bereta, P. Jarosz, Algorytmy genetyczne. Pobrane z: http://michalbereta.pl/dydaktyka/ ae/lab_genetyczne/laboratorium_genetyczne.pdf (dostęp: 15.10.2016).
461.	[461] H. Lakany, B.A. Conway, Understanding intention of movement from electroencephalograms, „Expert Systems” 2007, vol. 24, no. 5, s. 295–304.
462.	[462] S.T. Welstead, Neural network and fuzzy logic applications in C/C++, John Wiley & Sons, 1994.
463.	[463] M. Kurzyński, Metody sztucznej inteligencji dla inżynierów, Legnica: Państwowa Wyższa Szkoła Zawodowa im. Witelona w Legnicy, 2008.
464.	[464] A. Bołtuć, Optymalizacja globalna. Pobrane z: ii.uwb.edu.pl/~aboltuc/images/stories/ OG/wykad_3.pdf (dostęp: 15.10.2016).
465.	[465] P. Urbanek, Algorytmy genetyczne. Pobrane z: ftp://zly.kis.p.lodz.pl/pub/people/P.Urbanek/ Ostr%F3w%202011/Algorytmy%20genetyczne%20wyk%B3ad%202_2010.pdf (dostęp: 15.10.2016).
466.	[466] Z.P. Król, Przegląd i komputerowa implementacja algorytmów genetycznych w oprogramowaniu edukacyjnym, Warszawa: Politechnika Warszawska, 2006.
467.	[467] R.L. Haupt, S.E. Haupt, Practical genetic algorithms, John Wiley & Sons, 1998.
468.	[468] U. Boryczka, Techniki ewolucyjne – algorytm genetyczny i nie tylko. Pobrane z: http ://155.158.112.34/~algorytmyewolucyjne/materialy/reprezentacja_binarna.pdf (dostęp: 15.10.2016).
469.	[469] M. Boryczka, Algorytmy genetyczne. Pobrane z: http://zsi.ii.us.edu.pl/~mboryczka/ pliki/algorytmy.ppt (dostęp: 15.10.2016.).
470.	[470] T.G. Gwiazda, Algorytmy genetyczne. Kompendium. Tom 1. Operator krzyżowania dla problemów numerycznych, Warszawa: Wydawnictwo Naukowe PWN, 2007.
471.	[471] T. Nomura, An analysis on crossovers for real number chromosomesin an infinite population size, [w:] Proceedings International Joint Conference on Artificial Intelligence (IJCAI’97), s. 936–941.
472.	[472] P. Wawrzyński, Podstawy sztucznej inteligencji, Warszawa: Oficyna Wydawnicza Politechniki Warszawskiej, 2014.
473.	[473] R. Belea, L. Beldiman, A new method of gene coding for a genetic algorithm designed for parametric optimization, „The Annals of “Dunarea de Jos” University of Galati. Fascicle III, Electrotechnics, Electronics, Automatic Control, Informatics” 2003, vol. 26, s. 66–71.
474.	[474] W.M. Spears, K.A. De Jong, On the virtues of parameterized uniform crossover, [w:] Proceedings of the Fourth International Conference on Genetic Algorithms, San Francisco: Morgan Kaufman, 1991, s. 230–236.
475.	[475] O. Cordón, S. Damas, J. Santamaria, A CHC evolutionary algorithm for 3D image registration, [w:] 10th International Fuzzy Systems Association World Congress (IFSA’03), Lecture Notes in Artificial Intelligence 2715, 2003, s. 404–411.
476.	[476] C. Cotta, J.M. Troya, Using dynastic exploring recombination to promote diversity in genetic search, [w:] Parallel Problem Sohingfrom Naturę – 6th International Conference, Berlin: Springer, 2000, s. 16–20.
477.	[477] F.J. Burkowski, Shuffle crossover and mutual information, [w:] Congress on Evolutionary Computation, 1999, s. 1574–1580.
478.	[478] C. Fernandes, R. Tavares, C. Munteanu, A. Rosa, Using Assortative Mating in Genetic Algorithms for Vector Quantization Problems, [w:] Proceedings of the 2001 ACM symposium on Applied computing, 2001, s. 361–365.
479.	[479] H.-M. Voigt, H. Muhlenbein, D. Cvetković, Fuzzy recombination for the breeder genetic algorithm, [w:] Proceedings of the Sixth International Conference on Genetic Algorithms, San Francisco: Morgan Kaufman, 1995, s. 104–111.
480.	[480] H. Muhlenbein, D. Schlierkamp-Voosen, Predictive models for the breeder genetic algorithm I. Continuous parameter optimization, „Evolutionary Computation” 1993, vol. 1, s. 25–49.
481.	[481] F. Herrera, M. Lozano, J.L. Verdegay, Tackling real-coded genetic algorithms: operators and tools for behavioral analysis, „ Artificial Intelligence Review” 1998, vol. 12, s. 254–319.
482.	[482] M. Takahashi, H. Kita, A crossover operator using independent component analysis for real-coded genetic algorithm, [w:] Proceedings of the 2001 Congress on Evolutionary Computation, 2001, s. 643–649.
483.	[483] N.J. Radcliffe, Forma analysis and random respectful recombination, [w:] Proceedings of the Fourth International Conference on Genetic Algorithms, 1991, s. 222–229.
484.	[484] R.A. Watson, J.B. Pollack, Recombination without respect: schema combination and disruption in genetic algorithm crossover, [w:] Proceedings of GECCO 2000, San Francisco: Morgan Kaufman, 2000, s. 112–119.
485.	[485] T. Ozugur, Hierarchical provisioning for cellular networks, „ IEEE Transactions on Wireless Communications” 2005, vol. 4, no. 2, s. 775–791.
486.	[486] S.J. Louis, G.J. Rawlins, Designer genetic algorithms: genetic algorithms in structure design, [w:] Proceedings of the Fourth International Conference on Genetic Algorithms, San Francisco: Morgan Kaufman, 1991, s. 53–60.
487.	[487] H. Maini, K. Mehrota, C. Mohan, S. Ranka, Knowkdge-based nonuniform crossover, [w:] Proceedings of IEEE International Conference on Evolutionary Computation, 1994, s. 22–27.
488.	[488] K. Vekaria, C. Clack, Biases introduced by adaptive recombination operators, [w:] Proceedings of the Evolutionary Computation Conference, 1999, s. 670–677.
489.	[489] C.H. Chiu, J.N Chen, Genetic algorithms: initialization schemes and genes extraction, [w:] Proceedings of the Ninth IEEE International Conference on Fuzzy Systems, 2000, s. 965–968.
490.	[490] W.M. Spears, Adapting crossover in evolutionary algorithms, [w:] Proceedings of the Fourth Annual Conference on Evolutionary Programming, eds. J.R. McDonnell, R.G. Reynolds, D.B. Fogel, Cambridge: The MIT Press.
491.	[491] D. Vrajitoru, Intra and extra-generation schemes for cómbining crossover operators, [w:] Proceedings of the Fifteenth Midwest Artificial Intelligence and Cognitive Science Conference MAICS 2004, 2004, s. 86–91.
492.	[492] F. Herrera, M. Lozano, A.M. Sánchez, Hybrid crossover operators for real-coded genetic algorithms: an experimental study, „Soft Computing – A Fusiort of Foundations Methodologies and Applications” 2005, vol. 9, no. 4, s. 280–298.
493.	[493] A.H. Konstam, S.J. Hartley, W.L. Carr, Optimization in a distributed processing environment using genetic algorithm with multivariate crossover, [w:] Proceedings of the 1992 ACMannual Conference on Communications, 1992, s. 109–116.
494.	[494] W. Antennas, A hybrid algorithm using genetic algorithm and gradient-based algorithm for iterative microwave inverse scattering, [w:] IEEE International Conference on Evolutionary Computation, 1995, s. 450–455.
495.	[495] K. Deb, M. Goyal, Optimizing engineering designs using a combined genetic search, [w:] Proceedings of the Seventh International Conference on Genetic Algorithms, San Francisco: Morgan Kaufman, s. 521–528.
496.	[496] J. Park, J. Park, C.H. Lee, M.S. Han, Robust and efficient genetic crossover operator: homologous recombination, [w:] Proceedings of 1993 International Joint Conference on Neural Networks, 1993, s. 2975–2978.
497.	[497] H.-G. Beyer, Toward a theory of evolution strategies: on the benefits of sex the (μ/μλ) theory, „Evolutionary Computation” 1995, vol. 3, no. 1, s. 81–111.
498.	[498] S.J. Hartley, A.H. Konstam, Using genetic algorithms to generate steiner triple systems, [w:] ACMConference on Computer Science, 1993, s. 366–371.
499.	[499] Y.C. Hou, Y.H. Chang, A new efficient encoding mode of genetic algorithms for the generalized plant allocation problem, „Journal of Information Science and Engineering” 2004, vol. 20, s. 1019–1034.
500.	[500] T.G. Gwiazda, Algorytmy genetyczne. Kompendium. Tom 2. Operator mutacji dla problemów numerycznych, Warszawa: Wydawnictwo Naukowe PWN, 2007.
501.	[501] T.-P. Hong, H.-S. Wang, A dynamic mutation genetic algorithm, [w:] IEEE International Conference on Systems, Man and Cybemetics, 1996, vol. 3, s. 2000–2005.
502.	[502] T.-P. Hong, H.-S. Wang, W.-C. Chen, Simultaneously applying multiple mutation operators in genetic algorithms, „Journal of Heuristics” 2000, vol. 6, no. 4, s. 439–455.
503.	[503] T.-P. Hong, H.-S. Wang, T.Y. Juang, A dynamic crossover genetic algorithm, Taiwan: National Computer Symposium, 1995.
504.	[504] H.-S. Yoon, B.R. Moon, An empirical study on the synergy of multiple crossover operators, „IEEE Transactions on Evolutionary Computation” 2002, vol. 6, no. 2, s. 212–223.
505.	[505] T. Sasaki, C.-C. Hsu, H. Fujikawa, S. Yamada, A multi-operator self-tuning genetic algorithm for optimization, [w:] 23rd International Conference on Industrial Electronics, Control and Instrumentation, 1994, vol. 3.
506.	[506] A. Acan, H. Altincay, Y. Tekol, A. Unveren, A genetic algorithm with multiple crossover operators for optimal freąuency assignment problem, [w:] Proceeding of the 2003 Congress on Evolutionary Computation, 2003.
507.	[507] Z. Gang, P. Chuwu, Z. Mingshu, A modified genetic algorithm based on the best schema and its application for function optimization, [w:] Proceedings of the 3rd World Congress on Intelligent Control and Automation, 2000.
508.	[508] K. Sastry, D.E. Goldberg, Designing competent mutation operators via probabilistic model building of neighborhoods, [w:] Genetic and Evolutionary Computation – GECCO 2004, ed. K. Deb, Berlin: Springer, 2004, s. 126–137.
509.	[509] K. Sastry, D.E. Goldberg, Let’s get ready to rumbie: crossover versus mutation head to head, [w:] Genetic and Evolutionary Computation – GECCO 2004, ed. K. Deb, Berlin: Springer, 2004, s. 114–125.
510.	[510] Y. Iwasaki, F. Yonezawa, Genetic evoiution through stochastic mutation dynamics, [w:] Proceedings of IEEE International Conference on Evolutionary Computation, 1996.
511.	[511] A. Agapie, H. Dediu, GA for deceptive problems: inverting schemata by a statistical approach, [w:] Proceedings of International Conference on Evolutionary Computation, 1996.
512.	[512] L. Yang, D.H. Widyantoro, T. Loerger, J. Yen, An entropy-based adaptive genetic algorithm for leaming classification rules, [w:] Proceedings of the 2001 Congress on Evolutionary Computation, 2001, vol. 2.
513.	[513] W. Paszkowicz, Properties of a genetic algonthm extended by a random self-leaming operator and asymmetric mutations: A convergence study for a task of powder-pattem indexing, „Analytica Chimica Acta” 2006, vol. 566.
514.	[514] L. Yang, J. Yen, An adaptive simplex genetic algonthm, [w:] Proceedings of the Genetic and Evolutionary Algorithms Conference, 2000.
515.	[515] S. Uyar, S. Sariel, G. Eryigit, A gene based adaptive mutation strategy for genetic algorithms, [w:] Genetic and Evolutionary Computation – GECCO 2004, ed. K. Deb, Berlin: Springer, 2004, s. 271–281.
516.	[516] P. Hartono, S. Hashimoto, M. Wahde, Labeled-GA with adaptive mutation rate, [w:] 2004 Congress on Evolutionary Computation, 2004, vol. 2.
517.	[517] S. Yang, S. Uyar, Adaptive mutation with fitness and allele distribution correlation for genetic algorithms, [w:] Proceedings of the 2006 ACM symposium on Applied computing, 2006.
518.	[518] R. Tinós, A.C. de Carvalho, A genetic algorithm with gene dependent mutation probability for non-stationary optimization problems, [w:] Congress on Evolutionary Computation, 2004.
519.	[519] S. Uyar, G. Eryigit, Improvements to penalty-based evolutionary algorithms for the multi-dimensional knapsack problem using a gene-based adaptive mutation approach, [w:] Proceedings of the 2005 Conference on Genetic and Evolutionary Computation, 2005.
520.	[520] Y.H. Song, G.S. Wang, A.T. Johns, P.Y. Wang, Improved genetic algorithms with fuzzy logic controlled crossover and mutation, [w:] UKACC International Conference on CONTROL’96, 1996, vol. 1.
521.	[521] T. Zhang, W.A. Gruver, Fuzzy-neural tuned genetic algorithm applied to large-space constraint satisfaction, [w:] IEEE International Conference on Systems, Man and Cybemetics, 1998, vol. 4.
522.	[522] Y. Shi, R.C. Eberhart, Y. Chen, Implementation of evolutionary fuzzy systems, [w:] IEEE Transactions on Fuzzy Systems, 1999, vol. 7.
523.	[523] R. Subbu, P.P. Bonissone, A retrospective view of fuzzy control of evolutionary algorithm resources, [w:] IEEE International Conference on Fuzzy Systems, 2003, vol. 1.
524.	[524] J. Zhang, H.S. Chung, B.J. Hu, Adaptiye probabilities of crossover and mutation in genetic algorithms based on clustering technique, [w:] Congress on Evolutionary Computation, 2004, vol. 2.
525.	[525] Z. Bingul, A. Sekmen, S. Zein-Sabatto, Evolutionary approach to multi-0bjective problems using adaptive genetic algorithms, [w:] IEEE International Conference on Systems, Man and Cybenetics, 2000, vol. 3.
526.	[526] F. Herrera, M. Lozano, Adaptive genetic operators based on coevolution with fuzzy behaviors, „IEEE Transactions on Evolutionary Computation” 2001, vol. 5, no. 2, s. 149–165.
527.	[527] L. Ren, Y. Ding, Parameter optimization for a class of general TS fuzzy controllers via a new DNA-based genetic algorithm, [w:] Proceedings of the 5th World Congress on Intelligent Control and Automation, 2004, vol. 3, s. 2149–2153.
528.	[528] K. Wang, A new fuzzy genetic algorithm based on population diversity, [w:] Proceedings of 2001 IEEE International Symposium on Computational Intelligence in Robotics and Automation, 2001.
529.	[529] L. Hongjie, W. Xiufeng, Z. Weicum, X. Guohua, Market clearing price forecasting based on dynamic fuzzy system, [w:] International Conference on Power Systems Technology, 2002, vol. 2.
530.	[530] X. Pan, J. Zhang, K.Y. Szeto, Application of mutation only genetic algonthm for the extraction of investment strategy in financial time series, [w:] International Conference on Neural Networks and Brain, 2005, vol. 3.
531.	[531] K.Y. Szeto, J. Zhang, Adaptive genetic algorithm and quasi-parallel genetic algorithm: application to knapsack problem, [w:] International Conference on Large-Scale Scientific Computing. Berlin: Springer, 2005, s. 189–196.
532.	[532] D. Thierens, Adaptive mutation rate control schemes in genetic algorithms, [w:] Proceedings o f the 2002 Congress on Evolutionary Computation, 2002, vol. 1, s. 980–985.
533.	[533] A.T. Fuller, B. Nowrouzian, A novel technique for optimization over the canonical signed-digit number space using genetic algorithms, [w:] The 2001 International IEEE Symposium of Systems and Circuits, 2001, vol. 2.
534.	[534] F. Ashrafzadeh, B. Nowrouzian, Crossover and mutation in genetic algorithms employing canonical signed-digit number system, [w:] Proceedings of the 4th Midwest Symposium on Circuits and Systems, 1997, vol. 2.
535.	[535] N. Kubota, T. Arakawa, T. Fukuda, Trajectory generation for redundant manipulator using virus evolutionary genetic algorithm, [w:] Proceedings of the 1997 IEEE International Conference on Robotics and Automation, 1997.
536.	[536] I. Harvey, The mcrobial genetic algorithm, [w:] School for Cognitive and Computing Sciences, Brighton: University of Sussex, 1996.
537.	[537] H. Kanoh, K. Hasegawa, N. Kato, Solving constraint satisfaction problems by a genetic algorithm adopting viral infection, [w:] Proceedings of IEEE International Joint Symposia on Intelligence and Systems, 1996.
538.	[538] P. Smith, Conjugation – a bacterially inspired form of genetic recombination, [w:] Late Breaking Papers at the Genetic Programming 1996 Conference Stanford University, 1996.
539.	[539] G. Schiitz, F.M. Pires, A genetic based algorithm for thequadratic 0-1 problem, „Investigacao Operacional” 2003, vol. 23.
540.	[540] Y. Cui, Q. Huang, Extracting characters of license plates from video seąuences, „Machine Vision and Applications” 1998, vol. 10.
541.	[541] C.-C. Hsu, H. Takahashi, K. Shida, H. Fujikawa, S. Yamada, An Eugenic Mutations for Optimum Problems, [w:] Proceedings of the 1995 IEEE IECON 21st International Conference on Industrial Electronics, Control and Instrumentation, 1995, vol. 2.
542.	[542] L. Yao, W.A. Sethares, D.C. Kammer, Sensor placement for on-orbit modal identification on large space structure via a genetic algorithm, [w:] IEEE International Conference on Systems Engineering, 1992.
543.	[543] D. Gantala, A.S. Abdel-Aty-Zohdy, R.L. Ewing, New genetic algorithm approach for dynamic biochemical sensor measurements characterization, [w:] Proceedings of The 2002 45th Midwest Symposium on Circuits and Systems, 2002.
544.	[544] M.S. Sharawi, A.S. Abdel-Aty-Zohdy, R.L. Ewing, Optimal-weights sensors-measurement fusion using genetic algorithms, [w:] Proceedings of the 44th IEEE 2001 Midwest Symposium on Circuits and Systems, 2001.
545.	[545] R. Hinterding, Gaussian mutation and self-adaptation for numeric genetic algorithms, [w:] IEEE International Conference on Evolutionary Computation, 1996.
546.	[546] V. Cutello, G. Nicosia, M. Pavone, J. Timmis, An immune algorithm for protein structure prediction on lattice models, „IEEE Transactions on Evolutionary Computation” 2007 vol. 11, no. 1, s. 101–117.
547.	[547] G. Rudolph, Local convergence rates of simple evolutionary algorithms with cauchy mutations, „IEEE Transactions on Evolutionary Computation” 1997, vol. 1, no. 4, s. 249–258.
548.	[548] I. De Falco, A. Iazzetta, E. Tarantino, A. Della Cioppa, The effectiveness of co-mutation in evolutionary algorithms: the Mijn operator, [w:] Proceedings of the IEEE International Conference on Evolutionary Computation (ICEC’98), Anchorage, 1998.
549.	[549] E. Falkenauer, Genetic algorithms and grouping problems, West Sussex: John Wiley & Sons, 1998.
550.	[550] Geny. Pobrane z: http://www.k0pper.republika.pl/geny.htm (dostęp: 15.10.2016).
551.	[551] G.R. Beddoe, S. Petrovic, Selecting and weighting features using a genetic algorithm in a case-based reasoning approach to personnel rostering, „European Journal of Operational Research” 2006, vol. 175, s. 649–671.
552.	[552] M.I. Raymer, W.F. Punch, E.D. Goodman, L.A. Kuhn, A.K. Jain, Dimensionality reduction using genetic algorithms, „IEEE Transactions on Evolutionary Computation” 2000, vol. 4, no. 2, s. 164–171.
553.	[553] C.-L. Huang, C.-J. Wang, A GA-based feature selection and parameters optimization for support vector machines, „Expert Systems with Applications” 2006, vol. 31, s. 231– 240.
554.	[554] T.T. Nguyen, A.W.-C. Liew, X.C. Pham, M.T. Tran, M.P. Nguyen, A novel genetic algorithm approach for simultaneous feature and classifier selection in multi classifier system, [w:] IEEE Congress on Evolutionary Computation (CEC), 2014, s. 1698–1705.
555.	[555] J.D. Schaffer, Some experiments in machine learning using vector evaluated genetic algorithms, Nashville: Vanderbilt University, 1984.
556.	[556] D.J. Schaffer, Multiple objective optimization with vector evaluated genetic algorithms, [w:] International Conference on Genetic Algorithms and Their Applications, 1985.
557.	[557] P. Haleja, C.-Y. Lin, Genetic search strategies in multicriterion optimal design, „Structural Optimization” 1992, vol. 4, no. 2, s. 99–107.
558.	[558] C.M. Fonseca, P.J. Fleming, Genetic algorithms for multiobjective optimization: Formulation, discussion and generalization, [w:] Proceedings of the 5th International Conference on Genetic Algorithms, San Mateo: Morgan Kaufmann, 1993, s. 416–423.
559.	[559] J. Horn, N. Nafplitois, D.E. Goldberg, A niched Pareto genetic algorithm for multiobjective optimization, [w:] Proceedings in the 1st IEEE Conference Evolutionary Computation, IEEE Service Cente, 0-7803-1899-4/94, 1994, p. 82–87.
560.	[560] E. Zitzler, L. Thiele, An evolutionary algorithm for multiobjective optimization: The strength pareto approach, Zurich: Swiss Federal Institute of Technology (ETH), Computer Engineering and Networks Laboratory (TIK), 1998.
561.	[561] E. Zitzler, L. Thiele, Multiobjective evolutionary algorithms: A comparative case study and the strength pareto approach, „IEEE Transactions On Evolutionary Computation” 1999, vol. 3, no. 4, s. 257–271.
562.	[562] E. Zitzler, Evolutionary algorithms for multiobjective optimization: methods and applications, Aachen: Institut für Technische Informatik und Kommunikationsnetze, Computer Engineering and Networks Laboratory, 1999.
563.	[563] E. Zitzler, M. Laumanns, L. Thiele, SPEA2: Improving the strength Pareto evolutionary algorithm, Zurich: Computer Engineering and Networks Laboratory (TIK), Department of Electrical Engineering, Swiss Federal Institute of Technology (ETH), 2001.
564.	[564] E. Zitzler, M. Laumanns, L. Thiele, SPEA2: Improving the strength pareto evolutionary algorithm for multiobjective optimization, [w:] Evolutionary Methods for Design, Optimisation and Control with Application to Industrial Problems (EUROGEN 2001), 2002.
565.	[565] E. Zitzler, M. Laumanns, S. Bleuler, A tutorial on evolutionary multiobjective optimization, [w:] Metaheuristics for multiobjective optimisation, Zurich: Springer, 2004, s. 3–37.
566.	[566] P. Lipiński, Wykład z algorytmów ewolucyjnych. Pobrane z: http://www.ii.uni.wroc. pl/~lipinski/AE2017/lecture04.pdf (dostęp: 15.11.2017).
567.	[567] BNCI Horizon 2020. Pobrane z: http://bnci-horizon-2020.eu (dostęp: 18.02.2022).
568.	[568] BNCI Horizon 2020. Pobrane z: http://bnci-horizon-2020.eu/database/data-sets (dostęp: 18.02.2022).
569.	[569] BBCI. Pobrane z: https://www.bbci.de (dostęp: 18.02.2022).
570.	[570] B.B.C. Interface. Pobrane z: https://www.bbci.de/activities (dostęp: 18.02.2022).
571.	[571] J. Czaja, E. Preweda, Analiza statystyczna zmiennej losowej wielowymiarowej, „Geodezja” 2000, tom 6, nr 2, s. 129–145.
572.	[572] P. Stefanów, Ograniczenia stosowania współczynnika korelacji liniowej Pearsona, [w:] Przedsiębiorcze aspekty rozwoju organizacji i biznesu, Kraków: Oficyna Wydawnicza Kraków, 2011, s. 240–262.
573.	[573] P. Peternek, M. Kosny, Kilka uwag o testowaniu istotności współczynnika korelacji, „Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu” 2021, nr 20, s. 341–350.
574.	[574] Autocalibration and recurrent adaptation (001-2015). Pobrane z: http://bnci-horizon- 2020.eu/database/data-sets (dostęp: 15.12.2022).
575.	[575] Data sets Ia/Ib. Pobrane z: https://www.bbci.de/competition/ii (dostęp: 15.12.2022).
576.	[576] Data set I. Pobrane z: https://www.bbci.de/competition/iii/#data_set_i (dostęp: 15.12.2022).
577.	[577] Data sets IIIa. Pobrane z: https://www.bbci.de/competition/iii/#data_set_i (dostęp: 15.12.2022).
578.	[578] Data set III. Pobrane z: https://www.bbci.de/competition/ii (dostęp: 15.12.2022).
579.	[579] Adult. Pobrane z: https://archive.ics.uci.edu/ml/datasets/Adult (dostęp: 22.05.2022).
580.	[580] Coil100. Pobrane z: https://www.cs.columbia.edu/CAVE/software/softlib/coil-100.php (dostęp: 20.02.2023).
581.	[581] Dermatology. Pobrane z: https://archive.ics.uci.edu/ml/datasets (dostęp: 22.05.2022).
582.	[582] Gisette. Pobrane z: http://archive.ics.uci.edu/ml/datasets/Gisette (dostęp: 22.05.2022).
583.	[583] Gli_85. Pobrane z: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE4412 (dostęp: 20.02.2023).
584.	[584] Humanactivity (Matlab 2019b). Pobrane z: https://www.mathworks.com/products/ new_products/release2019b.html (dostęp: 22.05.2022).
585.	[585] Orl_32x32. Pobrane z: http://www.cad.zju.edu.cn/home/dengcai/Data/FaceData.html (dostęp: 20.02.2023).
586.	[586] Orlraws10P. Pobrane z: https://jundongl.github.io/scikit-feature/datasets.html (dostęp: 22.05.2022).
587.	[587] Pima-indians-diabetes. Pobrane z: https://www.kaggle.com/datasets/uciml/pima-indians- diabetes-database (dostęp: 22.05.2022).
588.	[588] WarpAR10P. Pobrane z: https://jundongl.github.io/scikit-feature/datasets.html (dostęp: 20.02.2023).
589.	[589] Yale_32x32. Pobrane z: http://www.cad.zju.edu.cn/home/dengcai/Data/FaceData.html (dostęp: 20.02.2023).

Ekonomiczne aspekty selekcji cech wykorzystujące paradygmat algorytmu genetycznego w interfejsach mózg–komputer

ISBN: 978-83-8419-059-3 ISBN (online): 978-83-8419-060-9 ISSN: 0860-2751 OAI DOI: 10.18276/978-83-8419-060-9

Lista wydań / T. (MCDXCII) 1418

Informacje

Abstrakt

Bibliografia