Evaluation of convolutional neural networks using a large multi-subject P300 dataset

Vařeka, Lukáš

Full metadata record

DC pole	Hodnota	Jazyk
dc.contributor.author	Vařeka, Lukáš	-
dc.date.accessioned	2021-02-08T11:00:24Z	-
dc.date.available	2021-02-08T11:00:24Z	-
dc.date.issued	2020	-
dc.identifier.citation	VAŘEKA, L. Evaluation of convolutional neural networks using a large multi-subject P300 dataset. Biomedical Signal Processing and Control, 2020, roč. 58, č. APR 2020, s. 1-7. ISSN 1746-8094.	cs
dc.identifier.issn	1746-8094	-
dc.identifier.uri	2-s2.0-85077454141	-
dc.identifier.uri	http://hdl.handle.net/11025/42605	-
dc.description.abstract	Hluboké neuronové sítě (DNN) se zkoumají v různých aplikacích strojového učení. Klasifikace evokovaných potenciálů (ERP) je velmi složitý úkol, potenciálně vhodný pro DNN, protože poměr signál-šum je nízký a související prostorové a časové příznaky vykazují výraznou variabilitu. Konvoluční neuronové sítě (CNN) byly srovnány s nejlepšími tradičními modely, tj. s lineární diskriminační analýzou (LDA) a Support Vector Machines (SVM) pro single-trial klasifikaci s využitím rozsáhlého veřejně dostupného P300 datasetu dětí školního věku (138 chlapců a 112 dívek). Úspěšnost klasifikace u všech testovaných klasifikačních modelů se pohybovala mezi 62 % a 64 %. Při nasazení natrénovaných klasifikačních modelů na zprůměrované ERP odpovědi se přesnost zvýšila na 76 – 79 % bez významných rozdílů mezi klasifikačními modely. CNN nevedla k lepším výsledkům než ostatní algoritmy. Diskuze srovnává výsledky s dostupnou literaturou, řeší omezení a budoucí směřování výzkumu.	cs
dc.format	7 s.	cs
dc.format.mimetype	application/pdf	-
dc.language.iso	en	en
dc.publisher	Elsevier	en
dc.relation.ispartofseries	Biomedical Signal Processing and Control	en
dc.rights	© Elsevier	en
dc.subject	konvoluční neuronové sítě	cs
dc.subject	evokované potenciály	cs
dc.subject	P300	cs
dc.subject	BC	cs
dc.subject	LDA	cs
dc.subject	strojové učení	cs
dc.title	Evaluation of convolutional neural networks using a large multi-subject P300 dataset	en
dc.title.alternative	Vyhodnocení konvolučních neuronových sítí s využitím rozsáhlého datasetu P300 vln	cs
dc.type	článek	cs
dc.type	article	en
dc.rights.access	openAccess	en
dc.type.version	publishedVersion	en
dc.description.abstract-translated	Deep neural networks (DNN) have been studied in various machine learning areas. For example, event-related potential (ERP) signal classification is a highly complex task potentially suitable for DNN as signal-to-noise ratio is low, and underlying spatial and temporal patterns display a large intra- and intersubject variability. Convolutional neural networks (CNN) have been compared with baseline traditional models, i.e. linear discriminant analysis (LDA) and support vector machines (SVM) for single trial classification using a large multi-subject publicly available P300 dataset of school-age children (138 males and 112 females). For single trial classification, classification accuracy stayed between 62% and 64% for all tested classification models. When applying the trained classification models to averaged trials, accuracy increased to 76–79% without significant differences among classification models. CNN did not prove superior to baseline for the tested dataset. Comparison with related literature, limitations and future directions are discussed.	en
dc.subject.translated	convolutional neural networks	en
dc.subject.translated	event-related potentials	en
dc.subject.translated	P300	en
dc.subject.translated	BC	en
dc.subject.translated	LDA	en
dc.subject.translated	machine learning	en
dc.identifier.doi	10.1016/j.bspc.2019.101837	-
dc.type.status	Peer-reviewed	en
dc.identifier.document-number	518869700013	-
dc.identifier.obd	43928271	-
dc.project.ID	LO1506/PUNTIS - Podpora udržitelnosti centra NTIS - Nové technologie pro informační společnost	cs
Vyskytuje se v kolekcích:	Články / Articles (KIV) OBD

Soubory připojené k záznamu:

Soubor	Velikost	Formát
VarekaCNN_paper.pdf	1,52 MB	Adobe PDF	Zobrazit/otevřít

Zobrazit minimální záznam Zobrazit statistiky

Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/42605

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.

hledání

navigace