Интерфейс мозг-компьютер с применением методов глубокого обучения
| Parent link: | Нейрокомпьютеры: разработка, применение.— , 1992- № 1.— 2017.— [С. 48-55] |
|---|---|
| Автор: | |
| Співавтор: | |
| Інші автори: | |
| Резюме: | Заглавие с экрана Рассмотрено применение методов глубокого обучения в системах типа интерфейс мозг-компьютер. Проведена классификация электроэнцефалографического сигнала (ЭЭГ) с применением сверточной нейронной сети, содержащей семь слоев, на вход которой подавался сигнал в спектральном виде с использованием функции скользящего окна. Оценено качество работы нейронной сети на наборе данных с соревнований по интерфейсу мозг-компьютер (Берлин, 2008) с воображаемыми движениями (Data Set 2a) [1]. Показано, что в качестве целевой функции была использована функция Kanna - вариант точности классификации, исключающий случайную составляющую. Получено среднее значение Kanna 0,8467 для девяти участников эксперимента в наборе данных. Deep learning methods became quite popular over the last years [2]. They allowed us significantly improve recognition accuracy in different fields [3], [4]. In this work we aimed to evaluate deep learning approach for classification of physiological signals. To be more specific our goal is to classify electroencephalography signal in brain-computer interface (BCI) system. There are several types of BCI systems. In this work we focused on BCI systems based on motor imagery. We used Data Set 2a from BCI Competition IV (Berlin, 2008) to evaluate the classification accuracy. This data set has 4 classes. In the experiment participated 9 subjects, from each subject 576 trials were recorded. Half of the trials were used to train the classifier and other half of them were used to evaluate the classifier performance. The resulted deep convolutional neural network had 7 main layers. As the input for the neural network we used Fourier spectrum of the signal. The network performance achieved on the data set was 0.8467 (kappa value). This performance exceeds the known to the authors methods. The computational complexity of the classification process is acceptable is to use the classifier in real time. Режим доступа: по договору с организацией-держателем ресурса |
| Мова: | Російська |
| Опубліковано: |
2017
|
| Предмети: | |
| Онлайн доступ: | http://elibrary.ru/item.asp?id=28875013 |
| Формат: | Електронний ресурс Частина з книги |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=654657 |
MARC
| LEADER | 00000naa0a2200000 4500 | ||
|---|---|---|---|
| 001 | 654657 | ||
| 005 | 20250312160307.0 | ||
| 035 | |a (RuTPU)RU\TPU\network\20298 | ||
| 090 | |a 654657 | ||
| 100 | |a 20170511d2017 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 181 | 0 | |a i | |
| 182 | 0 | |a b | |
| 200 | 1 | |a Интерфейс мозг-компьютер с применением методов глубокого обучения |d Deep learning for BCI application |f Ф. В. Станкевич, В. Г. Спицын | |
| 203 | |a Текст |c электронный | ||
| 300 | |a Заглавие с экрана | ||
| 320 | |a [Библиогр.: с. 55 (16 назв.)] | ||
| 330 | |a Рассмотрено применение методов глубокого обучения в системах типа интерфейс мозг-компьютер. Проведена классификация электроэнцефалографического сигнала (ЭЭГ) с применением сверточной нейронной сети, содержащей семь слоев, на вход которой подавался сигнал в спектральном виде с использованием функции скользящего окна. Оценено качество работы нейронной сети на наборе данных с соревнований по интерфейсу мозг-компьютер (Берлин, 2008) с воображаемыми движениями (Data Set 2a) [1]. Показано, что в качестве целевой функции была использована функция Kanna - вариант точности классификации, исключающий случайную составляющую. Получено среднее значение Kanna 0,8467 для девяти участников эксперимента в наборе данных. | ||
| 330 | |a Deep learning methods became quite popular over the last years [2]. They allowed us significantly improve recognition accuracy in different fields [3], [4]. In this work we aimed to evaluate deep learning approach for classification of physiological signals. To be more specific our goal is to classify electroencephalography signal in brain-computer interface (BCI) system. There are several types of BCI systems. In this work we focused on BCI systems based on motor imagery. We used Data Set 2a from BCI Competition IV (Berlin, 2008) to evaluate the classification accuracy. This data set has 4 classes. In the experiment participated 9 subjects, from each subject 576 trials were recorded. Half of the trials were used to train the classifier and other half of them were used to evaluate the classifier performance. The resulted deep convolutional neural network had 7 main layers. As the input for the neural network we used Fourier spectrum of the signal. The network performance achieved on the data set was 0.8467 (kappa value). This performance exceeds the known to the authors methods. The computational complexity of the classification process is acceptable is to use the classifier in real time. | ||
| 333 | |a Режим доступа: по договору с организацией-держателем ресурса | ||
| 461 | |t Нейрокомпьютеры: разработка, применение |d 1992- | ||
| 463 | |t № 1 |v [С. 48-55] |d 2017 | ||
| 510 | 1 | |a Deep learning for BCI application |z eng | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a интерфейс | |
| 610 | 1 | |a обучение | |
| 610 | 1 | |a электроэнцефалография | |
| 700 | 1 | |a Станкевич |b Ф. В. |c специалист в области информатики и вычислительной техники |c лаборант Томского политехнического университета |f 1990- |g Филипп Владимирович |3 (RuTPU)RU\TPU\pers\33453 | |
| 701 | 1 | |a Спицын |b В. Г. |c специалист в области информатики и вычислительной техники |c профессор Томского политехнического университета, доктор технических наук |f 1948- |g Владимир Григорьевич |3 (RuTPU)RU\TPU\pers\22707 |9 9740 | |
| 712 | 0 | 2 | |a Национальный исследовательский Томский политехнический университет (ТПУ) |b Институт кибернетики (ИК) |b Кафедра информационных систем и технологий (ИСТ) |3 (RuTPU)RU\TPU\col\22637 |
| 801 | 2 | |a RU |b 63413507 |c 20170511 |g RCR | |
| 856 | 4 | |u http://elibrary.ru/item.asp?id=28875013 | |
| 942 | |c CF | ||