-
1
المؤلفون: Šajina, David
المساهمون: Tanković, Nikola
مصطلحات موضوعية: informacijski sustavi, DRUŠTVENE ZNANOSTI. Informacijske i komunikacijske znanosti. Informacijski sustavi i informatologija, BCI sustav, neural networks, strojno učenje, neuralne mreže, Machine learning, convolutional neural networks, konvolucijske neuralne mreže, Information systems, electroencephalography (EEG), SOCIAL SCIENCES. Information and Communication Sciences. Information Systems and Information Science, BCI system, elektroencefalografija (EEG)
الوصف: Neuralne mreže su sredstvo za strojno učenje (eng. machine learning) u kojem računalo nastoji prepoznati odnose u skupu podataka kroz proces koji oponaša način na koji funkcionira ljudski mozak. Strojno učenje je znanstvena disciplina koja se bazira na osmišljanju algoritma koji će pomoću skupa podataka učiti na određenim primjerima (Naqa i Murphy, 2015). Konvolucijske neuralne mreže su podskup neuralnih mreža koja se najviše primjenjuje za treniranje modela povezanih sa slikama. Ovaj rad istražuje ideju o klasifikaciji geometrijskih tijela pomoću EEG podataka. EEG podaci prikazani su u protoku voltaže, a za bolji prikaz mozga bolje je koristiti više EEG mjerenja signala tj. više elektroda koje su smještene svuda oko površine mozga. Snimanje EEG podataka napravljeno je putem uređaja OpenBCI Cyton + Daisy pri čemu su podaci snimani sa jednim ispitanikom. Kako bi podaci bili što čišći i relevantniji, soba ima slabije osvjetljenje te ne dolazi do bilo kakvog prodora buke ili ostalih vanjskih smetnji. Nakon snimanja skupa podataka, isti su obrađeni kako bi bili kompatibilni sa Conv2D slojom. Izvorni kod dostupan je na GitHub-u: https://github.com/David-Sajina/OpenBCITest Neural networks are a tool for machine learning in which a computer tries to recognize relationships in a set of data through a process that mimics the way the human brain works. Machine learning is a scientific discipline that is based on designing an algorithm that will use a set of data to learn on specific examples (Naqa and Murphy, 2015). Convolutional neural networks are a subset of neural networks most commonly used for training image-related models. This paper explores the idea of geometric body classification using EEG data. EEG data is shown in voltage flow, and for a better representation of the brain it is better to use more EEG signal measurements, i.e. more electrodes that are placed all around the surface of the brain. Recording of EEG data was done using the OpenBCI Cyton + Daisy device, where the data was recorded with one subject. In order for the data to be as clean and relevant as possible, the room has weaker lighting and there is no penetration of noise or other external disturbances. After recording the dataset, it was processed to be compatible with the Conv2D layer. The source code is available on GitHub: https://github.com/David-Sajina/OpenBCITest
وصف الملف: application/pdf
الوصول الحر: https://explore.openaire.eu/search/publication?articleId=od______4017::db7d56a542fe0b8ae4502d599c8bfff6Test
https://repozitorij.unipu.hr/islandora/object/unipu:7209Test -
2
المؤلفون: Kraljič, Aleksij, Matkovič, Andraž, Purg, Nina, Demšar, Jure, Repovš, Grega
المصدر: Frontiers in neuroimaging, str. 1-20 : Ilustr., 29 Aug. 2022
COBISS-ID: 105382915مصطلحات موضوعية: udc:616.8, elektroencefalografija EEG, funkcijsko magnetnoresonančno slikanje fMRI, nevroznanost, slikanje možganov, možgani, metodologija, electroencephalography EEG, functional magnetic resonance imaging fMRI, neurosciences, neuroimaging, brain, methodology
الوصف: Multimodal neuroimaging using EEG and fMRI provides deeper insights into brain function by improving the spatial and temporal resolution of the acquired data. However, simultaneous EEG-fMRI inevitably compromises the quality of the EEG and fMRI signals due to the high degree of interaction between the two systems. Fluctuations in the magnetic flux flowing through the participant and the EEG system, whether due to movement within the magnetic field of the scanner or to changes in magnetic field strength, induce electrical potentials in the EEG recordings that mask the much weaker electrical activity of the neuronal populations. A number of different methods have been proposed to reduce MR artifacts. We present an overview of the most commonly used methods and an evaluation of the methods using three sets of diverse EEG data. We limited the evaluation to open-access and easy-to-use methods and a reference signal regression method using a set of six carbon-wire loops (CWL), which allowed evaluation of their added value. The evaluation was performed by comparing EEG signals recorded outside the MRI scanner with artifact-corrected EEG signals recorded simultaneously with fMRI. To quantify and evaluate the quality of artifact reduction methods in terms of the spectral content of the signal, we analyzed changes in oscillatory activity during a resting-state and a finger tapping motor task. The quality of artifact reduction in the time domain was assessed using data collected during a visual stimulation task. In the study we utilized hierarchical Bayesian probabilistic modeling for statistical inference and observed significant differences between the evaluated methods in the success of artifact reduction and associated signal quality in both the frequency and time domains. In particular, the CWL system proved superior to the other methods evaluated in improving spectral contrast in the alpha and beta bands and in recovering visual evoked responses. Based on the results of the evaluation study, we proposed guidelines for selecting the optimal method for MR artifact reduction. Nasl. z nasl. zaslona. Soavtorji: Andraž Matkovič, Nina Purg, Jure Demšar, Grega Repovš. Opis vira z dne 1. 9. 2022. Članek v PDF-formatu obsega 20 str. Bibliografija: str. 19-20. Povzetek v angl.
الوصول الحر: https://explore.openaire.eu/search/publication?articleId=doi_dedup___::75941690f80fdeef80848ce4a31dcf0dTest
https://doi.org/10.3389/fnimg.2022.968363Test -
3Prepoznavanje emocija utemeljeno na holografskim i topografskim mapama EEG značajki i dubokom učenju
المؤلفون: Topić, Ante
مصطلحات موضوعية: Interakcija između čovjeka i računala (HCI), sučelje između mozga i računala (BCI), elektroencefalografija (EEG), prepoznavanje emocija, ReliefF, analiza susjednih komponenti (NCA), trodimenzionalni emocionalni model, duboko učenje, neuronske mreže, računalno generirana holografija (CGH)
الوصف: Emocije su ljudske reakcije na događaje i one utječu na cijelo tijelo. Važna funkcija za izradu sučelja između mozga i računala (BCI) je razvoj modela koji je u stanju prepoznati emocije iz elektroencefalografskih (EEG) signala. Izazovan je zadatak razviti inteligentni model koji može pružiti visoku točnost prepoznavanja emocija zbog prirode moždanih signala. EEG ima nestacionarna i nelinearna svojstva te sadrži značajnu količinu šuma uzrokovanu, primjerice, mišićnom aktivnošću, treptanjem, disanjem, otkucajima srca ili slabim kontaktom elektroda. Štoviše, kod snimanja EEG signala neinvazivnim nosivim uređajima često se koristi veliki broj elektroda, što povećava računsku složenost, dimenzionalnost EEG podataka i smanjuje razinu udobnosti ispitanika. U ovoj disertaciji se predlaže novi model za prepoznavanje emocija koji se temelji na izradi mapa značajki korištenjem topografskog i holografskog prikaza karakteristika EEG signala. Signali snimljeni elektrodama mjernog uređaja se dijele u podpojaseve primjenom diskretne valićne transformacije, a na svakom podpojasu se računaju karakteristike signala koje se mapiraju na standardni međunarodni sustav koji opisuje pozicije elektroda na glavi. Prikazom vrijednosti karakteristike signala na lokaciji elektrode se definira položaj točke u trodimenzionalnom prostoru u kojem se istraživanje karakteristika signala provodi u dva smjera. Za prvi se koristi računalno generirana holografija kojom se iz prostornih karakteristika signala izrađuju dvodimenzionalne mape značajki, dok se u drugom smjeru istraživanja vrijednosti karakteristika signala prikazuju topografskom mapom. Metode ReliefF i analiza susjednih komponenti su upotrijebljene u istraživanju odabira elektroda sa svrhom optimizacije i povećanja točnosti modela. Pristup dubokog učenja korištenjem konvolucijske neuronske mreže je iskorišten za izlučivanje obilježja s mapa značajki, a dobivene karakteristike od svake pojedine neuronske mreže se spajaju u matricu značajki te se potom klasificiraju. Prepoznavanje emocionalnih stanja je provedeno nad svim ispitanicima zajedno, ali i zasebno ovisno o spolu ispitanika, a novopredloženi model je verificiran na četiri javno dostupne baze podataka DEAP, DREAMER, AMIGOS i SEED. Demonstrirana je učinkovitost predloženog pristupa u usporedbi sa najsuvremenijim studijama u kojima autori koriste EEG signale za klasifikaciju ljudskih emocija u trodimenzionalnom prostoru. Eksperimentalni rezultati pokazuju da se predloženim pristupom može poboljšati stopa prepoznavanja emocija.
الوصول الحر: https://explore.openaire.eu/search/publication?articleId=57a035e5b1ae::b128e8a6e10618fc446a0f850e03cd00Test
https://www.bib.irb.hr/1228718Test -
4رسالة جامعية
المؤلفون: Šajina, David
المساهمون: Tanković, Nikola
مصطلحات موضوعية: DRUŠTVENE ZNANOSTI. Informacijske i komunikacijske znanosti. Informacijski sustavi i informatologija, SOCIAL SCIENCES. Information and Communication Sciences. Information Systems and Information Science, informacijski sustavi, strojno učenje, neuralne mreže, konvolucijske neuralne mreže, elektroencefalografija (EEG), BCI sustav, Information systems, Machine learning, neural networks, convolutional neural networks, electroencephalography (EEG), BCI system
الوصف: Neuralne mreže su sredstvo za strojno učenje (eng. machine learning) u kojem računalo nastoji prepoznati odnose u skupu podataka kroz proces koji oponaša način na koji funkcionira ljudski mozak. Strojno učenje je znanstvena disciplina koja se bazira na osmišljanju algoritma koji će pomoću skupa podataka učiti na određenim primjerima (Naqa i Murphy, 2015). Konvolucijske neuralne mreže su podskup neuralnih mreža koja se najviše primjenjuje za treniranje modela povezanih sa slikama. Ovaj rad istražuje ideju o klasifikaciji geometrijskih tijela pomoću EEG podataka. EEG podaci prikazani su u protoku voltaže, a za bolji prikaz mozga bolje je koristiti više EEG mjerenja signala tj. više elektroda koje su smještene svuda oko površine mozga. Snimanje EEG podataka napravljeno je putem uređaja OpenBCI Cyton + Daisy pri čemu su podaci snimani sa jednim ispitanikom. Kako bi podaci bili što čišći i relevantniji, soba ima slabije osvjetljenje te ne dolazi do bilo kakvog prodora buke ili ostalih vanjskih smetnji. Nakon snimanja skupa podataka, isti su obrađeni kako bi bili kompatibilni sa Conv2D slojom. Izvorni kod dostupan je na GitHub-u: https://github.com/David-Sajina/OpenBCITest ; Neural networks are a tool for machine learning in which a computer tries to recognize relationships in a set of data through a process that mimics the way the human brain works. Machine learning is a scientific discipline that is based on designing an algorithm that will use a set of data to learn on specific examples (Naqa and Murphy, 2015). Convolutional neural networks are a subset of neural networks most commonly used for training image-related models. This paper explores the idea of geometric body classification using EEG data. EEG data is shown in voltage flow, and for a better representation of the brain it is better to use more EEG signal measurements, i.e. more electrodes that are placed all around the surface of the brain. Recording of EEG data was done using the OpenBCI Cyton + Daisy device, where the data was recorded with one subject. In ...
وصف الملف: application/pdf
العلاقة: https://repozitorij.unipu.hr/islandora/object/unipu:7209Test; https://urn.nsk.hr/urn:nbn:hr:137:497085Test; https://repozitorij.unipu.hr/islandora/object/unipu:7209/datastream/PDFTest
-
5
المؤلفون: Jovičić, Eda
المساهمون: Cifrek, Mario
مصطلحات موضوعية: machine learning, convolutional neural networks (CNN), affective disorders, TECHNICAL SCIENCES. Electrical Engineering, TECHNICAL SCIENCES. Computing, TEHNIČKE ZNANOSTI. Računarstvo, TEHNIČKE ZNANOSTI. Elektrotehnika, afektivni poremećaji, electroencephalography (EEG), konvolucijske neuronske mreže (CNN), elektroencefalografija (EEG), strojno učenje
الوصف: Afektivni poremećaji su psihički poremećaji raspoloženja u koje spada povratni depresivni poremećaj. Elektroencefalografija je postupak snimanja električne aktivnosti mozga postavljanjem elektroda na površinu glave. Strojno učenje se bavi razvojem metoda za što točnije i učinkovitije učenje i generalizaciju podataka. U ovom radu, korišten je skup podataka u kojem se nalaze snimke EEG-a zdravih ispitanika i onih s dijagnozom povratnog depresivnog poremećaja. Na skupu signala EEG-a izvršena je predobradba i obradba s ciljem uklanjanja šuma i izdvajanja značajki. Izdvojena su dva seta podataka: set izdvojenih značajki i set značajki bipolarnog signala. Korištenjem metoda strojnog učenja, setovi značajki klasificirani su u dvije klase: „zdravi“ i „depresivni“. Za klasifikaciju korišteni su plitki modeli i konvolucijska neuronska mreža, te su rezultati klasifikacije prikazani u radu. Affective disorders are psychiatric mood disorders that include recurrent depressive disorder. Electroencephalography is the process of recording the electric brain activity by placing electrodes on the surface of the head. Machine learning develops methods for more accurate and efficient learning and data generalization. In this paper, a data set containing EEG recordings of healthy subjects and those diagnosed with recurrent depressive disorder was used. The EEG signal was preprocessed to remove noise and processed to extract features. Two sets of data were created: a set of extracted features and a set of bipolar signal features. Using machine learning methods, feature sets were classified into two classes: “healthy” and “depressive”. Different types of shallow learning methods and a convolutional neural network were used for classification, and the results are presented in this paper.
وصف الملف: application/pdf
الوصول الحر: https://explore.openaire.eu/search/publication?articleId=od______4131::cc507ce8457c512aba23cb714dc785f9Test
https://repozitorij.fer.unizg.hr/islandora/object/fer:7954Test -
6
المؤلفون: Planinić, Lucija
المساهمون: Cifrek, Mario
مصطلحات موضوعية: convolutional neural networks (CNN), umjetne neuronske mreže, TECHNICAL SCIENCES. Computing, autoencoders, TEHNIČKE ZNANOSTI. Računarstvo, konvolucijske neuronske mreže, artificial neural networks (ANN), deep learning, duboko učenje, electroencephalography (EEG), autoenkoderi, elektroencefalografija (EEG)
الوصف: Elektroencefalografija (EEG) je metoda snimanja električne moždane aktivnosti. Analiza signala EEG-a omogućuje primjenu elektroencefalografije u raznim sustavima, a u tu svrhu se sve više koriste metode strojnog učenja od kojih se ističu umjetne neuronske mreže. U ovom radu korišten je skup signala EEG-a zdravih ispitanika i onih kojima je dijagnosticiran afektivni poremećaj, te su signali klasificirani u dvije klase: „zdravi“ i „bolesni“. Implementirana je konvolucijska neuronska mreža za klasifikaciju signala i autoenkoder za ekstrakciju važnih značajki. Značajke dobivene autoenkoderom zatim su korištene za klasifikaciju pomoću plitkih modela za klasifikaciju (SVM, KNN i Adaboost) i za grupiranje algoritmima za nenadzirano učenje (k-srednjih vrijednosti, aglomerativno grupiranje i DBSCAN). Konvolucijska neuronska mreža i autoenkoder su trenirani tri puta: na nebalansiranom skupu podataka, na skupu balansiranom težinama i na skupu balansiranom poduzorkovanjem. Rezultati su pokazali da je od testiranih modela konvolucijska neuronska mreža najuspješnija u klasifikaciji signala EEG-a (prosječna točnost i F1 mjera u iznosu od 0,997). Balansiranje poduzorkovanjem imalo je bolje rezultate od balansiranja težinama. Grupiranjem je pokazano da se značajke prirodno grupiraju prema dijagnozi ispitanika. Electroencephalography (EEG) is a method of recording the electrical activity of the brain. EEG signal analysis allows the application of electroencephalography in various systems. For this purpose, machine learning methods are increasingly used, of which artificial neural networks stand out. In this paper, a set of EEG signals of healthy subjects and those diagnosed with an affective disorder was used, and the signals were classified into two classes: “healthy” and “not healthy”. A convolutional neural network for signal classification and an autoencoder for feature extraction were implemented. Features obtained by the autoencoder were then used for classification using shallow classification models (SVM, KNN and Adaboost) and for clustering using unsupervised learning algorithms (k-means, agglomerative clustering, and DBSCAN). The convolutional neural network and autoencoder were both trained three times: on an unbalanced dataset, on a dataset balanced using weights and on a dataset balanced by undersampling. The results showed that of the tested models, the convolutional neural network was the most successful in the classification of EEG signals (average accuracy and F1 score of 0,997). Balancing by undersampling had better results than balancing using weights. Clustering showed that features are naturally grouped according to the diagnosis of the subject.
وصف الملف: application/pdf
الوصول الحر: https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::2d4f33d6aff85b9a549b5ab8420cdf66Test
https://www.bib.irb.hr/1072294Test -
7رسالة جامعية
المؤلفون: Petrović, Jelena M.
المساهمون: Šaponjić, Jasna, Anđus, Pavle, Kalauzi, Aleksandar, Ilić, Tihomir, Radenović, Lidija
المصدر: Универзитет у Београду
مصطلحات موضوعية: spavanje, elektroencefalografija (EEG, elektromiografija (EMG), holinergički neuroni, sllep, elektroencepfalography (EEG, electromyography(EMG), cholinergic neurons
الوصف: Alchajmerova bolest (AB) i Parkinsonova bolest (PB) su najčešće neurodegenerativne bolesti starenja. ; Alzheimer's disease (AD)and Parkinson's disease are the most common neurodegenerative diseases in elderly.
وصف الملف: application/pdf
العلاقة: info:eu-repo/grantAgreement/MESTD/Basic Research (BR or ON)/173022/RS//; http://eteze.bg.ac.rs/application/showtheses?thesesId=2924Test; https://nardus.mpn.gov.rs/handle/123456789/5447Test; https://fedorabg.bg.ac.rs/fedora/get/o:11144/bdef:Content/downloadTest; http://vbs.rs/scripts/cobiss?command=DISPLAY&base=70036&RID=47560719Test; http://nardus.mpn.gov.rs/bitstream/id/3052/Jelena_Petrovic_Referat_BF.pdfTest; https://nardus.mpn.gov.rs/bitstream/id/3051/Disertacija2724.pdfTest; https://nardus.mpn.gov.rs/bitstream/id/3052/Jelena_Petrovic_Referat_BF.pdfTest; http://nardus.mpn.gov.rs/bitstream/id/3051/Disertacija2724.pdfTest; https://hdl.handle.net/21.15107/rcub_nardus_5447Test
الإتاحة: https://nardus.mpn.gov.rs/handle/123456789/5447Test
http://eteze.bg.ac.rs/application/showtheses?thesesId=2924Test
https://fedorabg.bg.ac.rs/fedora/get/o:11144/bdef:Content/downloadTest
http://vbs.rs/scripts/cobiss?command=DISPLAY&base=70036&RID=47560719Test
http://nardus.mpn.gov.rs/bitstream/id/3052/Jelena_Petrovic_Referat_BF.pdfTest
https://nardus.mpn.gov.rs/bitstream/id/3051/Disertacija2724.pdfTest
https://nardus.mpn.gov.rs/bitstream/id/3052/Jelena_Petrovic_Referat_BF.pdfTest
http://nardus.mpn.gov.rs/bitstream/id/3051/Disertacija2724.pdfTest
https://hdl.handle.net/21.15107/rcub_nardus_5447Test -
8رسالة جامعية
المؤلفون: Ćirić, Jelena M.
المساهمون: Šaponjić, Jasna, Anđus, Pavle, Ilić, Tihomir
المصدر: Универзитет у Београду
مصطلحات موضوعية: starenje, spavanje, motorna kontrola, neurodegenerativne bolesti, kortikomuskularna koherencija (CMC), nucleus basalis (NB), nucleus pedunculopontinus tegmentalis (PPT), gubitak holinergičkih neurona, elektroencefalografija (EEG), elektromiografija (EMG), aging, sleep, motor control, neurodegenerative diseases, corticomuscular coherence (CMC), cholinergic neuronal loss, electroencephalography (EEG), electromyography (EEG)
الوصف: Cilj ove doktorske disertacije bio je da ispita uticaj starenja na spavanje u eksperimentalnim modelima holinergičke neuropatologije Alchajmerove i Parkinsonove bolesti, i da pronađe najranije znake poremećaja spavanja u fiziološkom starenju i u starenju sa neurodegenerativnim bolestima. Uticaj starenja na arhitekturu spavanja, elektroencefalografsku (EEG) mikrostrukturu i motornu kontrolu, u toku svake faze spavanja, je praćen u eksperimentalnim modelima bilateralnih oštećenja jedara nucleus basalis (NB) i nucleus pedunculopontinus tegmentalis (PPT) u pacova, kao eksperimentalnim in vivo modelima funkcionalno različitih holinergičkih neuropatologija. Fiziološko starenje dovodi do topografski različitih promena arhitekture spavanja i motorne kontrole iz senzomotorne kore (SMCx) u odnosu na motornu koru (MCx). Pored promena arhitekture spavanja koje su se javile samo u SMCx, fiziološko starenje dovodi i do povećanja propagacije delta i beta oscilacija iz obe kore za vreme budnosti, ali samo iz MCx za vreme REM faze spavanja. Najraniji znaci starenja u eksperimentalnim modelima funkcionalno različitih holinergičkih neuropatologija, dokazani po prvi put, predstavljaju topografski specifične razlike u EEG mikrostrukturi za vreme REM faze spavanja. Smanjenje delta EEG relativne amplitude u SMCx predstavlja najraniji znak starenja kod NB lediranih pacova, dok povećanje sigma EEG relativne amplitude u MCx predstavlja najraniji znak starenja kod PPT lediranih pacova, za vreme REM faze spavanja. Pored toga, starenjem izazvane promene su različito izražene kroz mišićnu kontrolu iz SMCx, a istovremeno i istovetno izražene iz MCx u toku svih faza spavanja. ; The aim of the present doctoral dissertation was to evaluate the impact of aging during sleep in the rat models of Alzheimer’s and Parkinson’s disease cholinergic neuropathology, and to determine the possible different and earlier onset of age-related sleep disorder during healthy aging and aging with the neurodegenerative diseases. We used the bilateral nucleus basalis ...
وصف الملف: application/pdf
العلاقة: info:eu-repo/grantAgreement/MESTD/Basic Research (BR or ON)/173022/RS//; https://nardus.mpn.gov.rs/handle/123456789/8432Test; http://eteze.bg.ac.rs/application/showtheses?thesesId=5143Test; https://fedorabg.bg.ac.rs/fedora/get/o:15998/bdef:Content/downloadTest; http://vbs.rs/scripts/cobiss?command=DISPLAY&base=70036&RID=49211663Test; http://nardus.mpn.gov.rs/bitstream/id/3211/IzvestajKomisije11119.pdfTest; https://nardus.mpn.gov.rs/bitstream/id/3210/Disertacija.pdfTest; https://nardus.mpn.gov.rs/bitstream/id/3211/IzvestajKomisije11119.pdfTest; http://nardus.mpn.gov.rs/bitstream/id/3210/Disertacija.pdfTest; https://hdl.handle.net/21.15107/rcub_nardus_8432Test
الإتاحة: https://nardus.mpn.gov.rs/handle/123456789/8432Test
http://eteze.bg.ac.rs/application/showtheses?thesesId=5143Test
https://fedorabg.bg.ac.rs/fedora/get/o:15998/bdef:Content/downloadTest
http://vbs.rs/scripts/cobiss?command=DISPLAY&base=70036&RID=49211663Test
http://nardus.mpn.gov.rs/bitstream/id/3211/IzvestajKomisije11119.pdfTest
https://nardus.mpn.gov.rs/bitstream/id/3210/Disertacija.pdfTest
https://nardus.mpn.gov.rs/bitstream/id/3211/IzvestajKomisije11119.pdfTest
http://nardus.mpn.gov.rs/bitstream/id/3210/Disertacija.pdfTest
https://hdl.handle.net/21.15107/rcub_nardus_8432Test -
9
المؤلفون: Franjić, Ivan
المساهمون: Cifrek, Mario
مصطلحات موضوعية: izdvajanje značajki, elektroencefalografija (EEG), sučelje mozga i računala, klasifikacija, classification, TECHNICAL SCIENCES. Electrical Engineering, TECHNICAL SCIENCES. Computing, feature extraction, TEHNIČKE ZNANOSTI. Računarstvo, TEHNIČKE ZNANOSTI. Elektrotehnika, electroencephalography (EEG), brain computer interface
الوصف: Sučelje mozga i računala (engl. Brain Computer Interface, BCI) osigurava komunikacijski kanal između čovjeka i računala. Komunikacija se temelji na prikupljanju i analizi signala generiranih u mozgu. BCI sustav zahtijeva od korisnika sposobnost generiranja određenih moždanih obrazaca koje potom može detektirati, dekodirati i pomoću njih upravljati cjelokupnim sustavom. Prema tome, BCI sustav je potpuno neovisan o bilo kakvoj vrsti pokreta korisnika. U ovom su radu analizirani signali EEG-a koji predstavljaju zamišljanje pokreta lijeve odnosno desne ruke te stanje kada ispitanik miruje. Korišteni su javno dostupni signali EEG-a, a to su BCI Competition 2008 Dataset IIIa. Analiza uključuje izdvajanje značajki temeljenih na algebri kvaternionima te klasifikaciju pomoću algoritama temeljenih na stablima odluke. Algoritmi koji su se koristili za klasifikaciju su stablo odluke, algoritam slučajnih šuma, AdaBoost algoritam te ExtraTrees algoritam. Iako primjena kvaterniona pruža elegantan način prikaza signala i efikasan način računanja, točnost koja je postignuta ovim algoritmom, koristeći ovaj skup podataka, je relativno niska te nedovoljna za primjene u stvarnom vremenu. Brain computer interface (BCI) provides communication channel between human and computer. Communication is based on acquisition and analysis of signals generated in brain. BCI system requires from user the ability of generating certain brain patterns which can be detected, decoded and used for managing the entire system. Thus, BCI system is completely independent of any users movement. In this paper EEG signals which represent hand motor imagery and state when subject rests were analyzed. Publicly available signal base was used and it was BCI Competition 2008 Dataset IIIa. Analysis includes feature extraction based on quaternion algebra and classification using algorithms based on decision trees. Classification algorithms that were employed are decision tree, random forest algorithm, AdaBoost algorithm and ExtraTrees algorithm. Despite of fact that use of quaternion algebra provides elegant way of representing signals and computationally is efficient, accuracy that is obtained using this dataset is relatively low and is not sufficient for real-time applications.
وصف الملف: application/pdf
الوصول الحر: https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::3d398e897f1a0cece9795e3b2614d85dTest
https://repozitorij.fer.unizg.hr/islandora/object/fer:2862/datastream/PDFTest -
10
المؤلفون: Roglić, Matija
المساهمون: Cifrek, Mario
مصطلحات موضوعية: digitalna obrada signala, digital signal processing, TEHNIČKE ZNANOSTI. Računarstvo, TEHNIČKE ZNANOSTI. Elektrotehnika, mikrokontroler, fast Fourier transform, brza Fourierova transformacija, ugradbeni računalni sustav, elektroencefalografija (EEG), TECHNICAL SCIENCES. Electrical Engineering, microcontroller, TECHNICAL SCIENCES. Computing, embedded systems, electroencephalography (EEG)
الوصف: Uz uporabu STM32F429I razvojnog sustava cilj je ostvariti samostalnu radnu stanicu za digitalnu obradu signala u sučeljima mozga. Prijenos signala se odvija preko analogno-digitalnog pretvornika ADS1252 te se navedeni signal obrađuje primjenom brze Fourierove transformacije (engl. Fast Fourier Transformation, FFT). Cilj transformacije je mogućnost klasifikacije primljenih signala po frekvencijskoj karakteristici. Konačni cilj je postići jasan prikaz rezultata obrade na 2,4 inčnom QVGA TFT LCD zaslonu koji se nalazi na samom razvojnom sustavu STM32F429I, gdje će se pojava svake frekvencije brojati u obliku stupaca. The embedded system STM32F4 microcontroller primary use is accomplishing the independent workstation for EEG digital signal processing. Signal input is achieved through differential amplifier and analog-digital converter ADS1252. Furthermore, the EEG signal is processed through Fast Fourier Transform algorithm and substantially categorized according to its frequency. The end goal is achieving a clear display of the results on embedded 2.4-inch LCD display through usage of bars and text.
وصف الملف: application/pdf
الوصول الحر: https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::e9068d8f7d063740c51fa4d4c4a52bf7Test
https://www.bib.irb.hr/1072297Test
