首页    期刊浏览 2025年07月11日 星期五
登录注册

文章基本信息

  • 标题:Data compression of EEG signals for artificial neural network classification
  • 其他标题:Data compression of EEG signals for artificial neural network classification
  • 作者:Birvinskas, D. ; Jusas, V. ; Martišius, I.
  • 期刊名称:Engineering Economics
  • 印刷版ISSN:2029-5839
  • 出版年度:2013
  • 卷号:42
  • 期号:3
  • 页码:238-241
  • DOI:10.5755/j01.itc.42.3.1986
  • 语种:English
  • 出版社:Kaunas University of Technology
  • 摘要:Smegenų sąsajų su kompiuteriu (BCI) sistemose signalai turi būti apdorojami intensyviai, kad būtų sugeneruoti elektroninių prietaisų valdymo signalai. Dauguma BCI sistemų veikia skaitydamos ir aiškindamos smegenų žievėje sukeltą elektrinį potencialą per paviršinius ant galvos odos esančius jutiklius, žinomus kaip EEG (elektroencefalograma). Išskirti ir klasifikuoti atvaizdo požymius – tai pagrindiniai uždaviniai siekiant perdirbti EEG signalus. Straipsnyje pateikiamas EEG duomenų glaudinimo metodas, naudojant diskretinę kosinuso transformaciją (DCT). DCT naudoja koreliuotus įvesties duomenis ir skiria dėmesį tik pirmiems keliems transformacijos koeficientams. Šis metodas yra taikomas atvaizdo požymiams išskirti, taip pat leidžia sumažinti duomenų dydį neprarandant svarbios informacijos. Tiesioginio sklidimo dirbtiniai neuroniniai tinklai naudojami klasifikuojant. Bandymais gauti rezultatai rodo, kad siūlomas metodas neleidžia prarasti svarbios informacijos. Apibendrinant teigiama, kad šis metodas gali būti sėkmingai taikomas atvaizdo požymiams išskirti.DOI: http://dx.doi.org/10.5755/j01.itc.42.3.1986
  • 其他摘要:Brain – Computer interface (BCI) systems require intensive signal processing in order to form control signals for electronic devices. The majority of BCI systems work by reading and interpreting cortically evoked electro-potentials across the scalp via an electro-encephalogram (EEG). Feature extraction and classification are the main tasks in EEG signal processing. In this paper, we propose method to compress EEG data using discrete cosine transform (DCT). DCT takes correlated input data and concentrates its energy in just first few transform coefficients. This method is used as feature extraction step and allows reducing data size without losing important information. For classification we are using feed forward artificial neural network. Experimental results show that our proposed method does not lose the important information. We conclude that the method can be successfully used for the feature extraction.DOI: http://dx.doi.org/10.5755/j01.itc.42.3.1986
  • 关键词:brain – computer interface; discrete cosine transform; data compression
Loading...
联系我们|关于我们|网站声明
国家哲学社会科学文献中心版权所有