Full metadata record
| DC pole | Hodnota | Jazyk |
|---|---|---|
| dc.contributor.author | Mochura, Pavel | |
| dc.contributor.author | Mautner, Pavel | |
| dc.date.accessioned | 2021-02-15T11:00:19Z | - |
| dc.date.available | 2021-02-15T11:00:19Z | - |
| dc.date.issued | 2020 | |
| dc.identifier.citation | MOCHURA, P., MAUTNER, P. Classification of Hand Movement in EEG using ERD/ERS and Multilayer Perceptron. In: BIOSTEC 2020. Setúbal: SciTiPress, 2020. s. 713-717. ISBN 978-989-758-398-8, ISSN 2184-4305. | cs |
| dc.identifier.isbn | 978-989-758-398-8 | |
| dc.identifier.issn | 2184-4305 | |
| dc.identifier.uri | 2-s2.0-85083726196 | |
| dc.identifier.uri | http://hdl.handle.net/11025/42692 | |
| dc.description.abstract | Kontinuální EEG aktivita měřených subjektů obsahuje různé vzorce (grafoelementy), podle toho, jakou činnost měřený subjekt vykonával. ERD a ERS jsou příkladem takových vzorců souvisejících s pohybem ruky, prstů popř. nohy. Tento článek se zabývá detekcí pohybu na základě vzorců ERD/ERS. Z naměřených a předzpracovaných EEG dat se stanoví ERD/ERS, ze které se vytvoří příznakové vektory, které se následně klasifikují neuronovou sítí. Výsledná neuronová síť se skládá z jedné vstupní a jedné výstupní vrstvy a dvou skrytých vrstev. První skrytá vrstva obsahuje 3 000 neuronů a druhá 1 500 neuronů. Pro natrénování neuronové sítě se z naměřených a upravených dat vytvoří trénovací množina příznakových vektorů, pro následnou úpravu vah neuronové sítě během trénování se používá algoritmus zpětného šíření. S tímto nastavením a tréninkem je neuronová síť schopna klasifikovat pohyb v záznamu EEG s průměrnou přesností 79,92%. | cs |
| dc.format | 5 s. | cs |
| dc.format.mimetype | application/pdf | |
| dc.language.iso | en | en |
| dc.publisher | SciTiPress | en |
| dc.relation.ispartofseries | Biostec 2020 | en |
| dc.rights | Plný text je přístupný v rámci univerzity přihlášeným uživatelům. | cs |
| dc.rights | © SciTiPress | en |
| dc.subject | Encefalografie | cs |
| dc.subject | ERD/ERS | cs |
| dc.subject | neuronové sítě | cs |
| dc.subject | klasifikace EEG signálu | cs |
| dc.subject | příznakový vektor | cs |
| dc.title | Classification of Hand Movement in EEG using ERD/ERS and Multilayer Perceptron | en |
| dc.title.alternative | Klasifikace pohybu ruky z EEG dat na bázi ERD/ERS vícevrstvým perceprtronem | cs |
| dc.type | konferenční příspěvek | cs |
| dc.type | conferenceObject | en |
| dc.rights.access | restrictedAccess | en |
| dc.type.version | publishedVersion | en |
| dc.description.abstract-translated | Continuous EEG activity in the measured subjects includes different patterns depending on what activity the subject performed. ERD and ERS are examples of such patterns related to movement, for example of a hand, finger or foot. This article deals with the detection of motion based on the ERD/ERS patterns. By linking ERD/ERS, feature vectors which are later classified by neural network are created. The resulting neural network consists of one input and one output layer and two hidden layers. The first hidden layer contains 3,000 neurons and the second one 1,500 neurons. A training set of feature vectors is used for the training of this neural network and the back-propagation algorithm is used for the subsequent adjustment of the weights. With this setting and training, the neural network is able to classify motion in an EEG record with an average accuracy of 79.92%. | en |
| dc.subject.translated | Electroencephalography | en |
| dc.subject.translated | ERD/ERS | en |
| dc.subject.translated | Neural Network | en |
| dc.subject.translated | EEG Signal Classification | en |
| dc.subject.translated | Feature Vectors. | en |
| dc.identifier.doi | 10.5220/0009167007130717 | |
| dc.type.status | Peer-reviewed | en |
| dc.identifier.document-number | 571479400081 | |
| dc.identifier.obd | 43931747 | |
| dc.project.ID | SGS-2019-018/Zpracování heterogenních dat a jejich specializované aplikace | cs |
| Vyskytuje se v kolekcích: | Konferenční příspěvky / Conference Papers (KIV) OBD | |
Soubory připojené k záznamu:
| Soubor | Velikost | Formát | |
|---|---|---|---|
| Mautner HEALTHINF_2020_110.pdf | 737,6 kB | Adobe PDF | Zobrazit/otevřít Vyžádat kopii |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/42692Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.