Интерфейс мозг-компьютер на основе компонента Р300: различные подходы классификации
| Parent link: | Фундаментальные исследования: научный журнал.— , 2003- № 5, ч. 3.— 2016.— [С. 507-514] |
|---|---|
| Main Author: | |
| Corporate Author: | |
| Other Authors: | , |
| Summary: | Заглавие с экрана С момента изобретения электроэнцефалографии люди начали задумываться о возможности создания канала коммуникации, основанного на интерпретации сигналов мозговой активности. Впоследние десятилетия создание интерфейса мозг-компьютер (ИМК) ведется активными темпами во многих ведущих мировых лабораториях. Одним из направлений систем ИМК являются системы, основанные на компоненте P300. Вданной работе рассматриваются различные подходы для детекции компонента P300 с целью построения системы ИМК для набора текста на экране монитора. Рассматриваются такие подходы, как анализ сырых данных, применение метода главных компонент, применение комитетных методов классификации с использованием машин опорных векторов и линейного дискриминантного анализа. По итогам работы была получена точность 100 и 98?% для первого и второго субъекта соответственно на наборе данных с соревнования по ИМК (Берлин, 2003). Since the invention of electroencephalography (EEG) people have thought how to develop a new communication channel based on brain signal analysis. Over the last decades, the amount of brain-computer interface (BCI) research has significantly increased all over the world. P300 component is one of the most popular components for EEG-based BCI. In this work, we consider different approaches for P300 component detection to build a BCI speller. We have considered the classification of raw data, feature extraction based on principle component analysis using linear discriminant analysis (LDA) and support vector machine (SVM). Additionally, ensemble of classifiers has been used to improve recognition accuracy. Finally, the accuracies of 100 and 98?% have been achieved, for subject A and B accordingly, using Data Set II from the BCI Competition III (Berlin,2003). Режим доступа: по договору с организацией-держателем ресурса |
| Language: | Russian |
| Published: |
2016
|
| Series: | Технические науки |
| Subjects: | |
| Online Access: | http://earchive.tpu.ru/handle/11683/36155 http://elibrary.ru/item.asp?id=26189842 |
| Format: | Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=650243 |
| Summary: | Заглавие с экрана С момента изобретения электроэнцефалографии люди начали задумываться о возможности создания канала коммуникации, основанного на интерпретации сигналов мозговой активности. Впоследние десятилетия создание интерфейса мозг-компьютер (ИМК) ведется активными темпами во многих ведущих мировых лабораториях. Одним из направлений систем ИМК являются системы, основанные на компоненте P300. Вданной работе рассматриваются различные подходы для детекции компонента P300 с целью построения системы ИМК для набора текста на экране монитора. Рассматриваются такие подходы, как анализ сырых данных, применение метода главных компонент, применение комитетных методов классификации с использованием машин опорных векторов и линейного дискриминантного анализа. По итогам работы была получена точность 100 и 98?% для первого и второго субъекта соответственно на наборе данных с соревнования по ИМК (Берлин, 2003). Since the invention of electroencephalography (EEG) people have thought how to develop a new communication channel based on brain signal analysis. Over the last decades, the amount of brain-computer interface (BCI) research has significantly increased all over the world. P300 component is one of the most popular components for EEG-based BCI. In this work, we consider different approaches for P300 component detection to build a BCI speller. We have considered the classification of raw data, feature extraction based on principle component analysis using linear discriminant analysis (LDA) and support vector machine (SVM). Additionally, ensemble of classifiers has been used to improve recognition accuracy. Finally, the accuracies of 100 and 98?% have been achieved, for subject A and B accordingly, using Data Set II from the BCI Competition III (Berlin,2003). Режим доступа: по договору с организацией-держателем ресурса |
|---|