Deep Learning Techniques for Classification of P300 Component

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F18%3A43951149" target="_blank" >RIV/49777513:23520/18:43951149 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Deep Learning Techniques for Classification of P300 Component

Popis výsledku v původním jazyce

Deep learning techniques have proved to be beneficial in many scientific disciplines and have beaten state-of-the-art approaches in many applications. The main aim of this article is to improve the success rate of deep learning algorithms, especially stacked autoencoders, when they are used for detection and classification of P300 event-related potential component that reflects brain processes related to stimulus evaluation or categorization. Moreover, the classification results provided by stacked autoencoders are compared with the classification results given by other classification models and classification results provided by combinations of various types of neural network layers

Název v anglickém jazyce

Deep Learning Techniques for Classification of P300 Component

Popis výsledku anglicky

Deep learning techniques have proved to be beneficial in many scientific disciplines and have beaten state-of-the-art approaches in many applications. The main aim of this article is to improve the success rate of deep learning algorithms, especially stacked autoencoders, when they are used for detection and classification of P300 event-related potential component that reflects brain processes related to stimulus evaluation or categorization. Moreover, the classification results provided by stacked autoencoders are compared with the classification results given by other classification models and classification results provided by combinations of various types of neural network layers

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

BIOSTEC 2018 Proceedings of the 11th International Joint Conference on Biomedical Engineering Systems and Technologies Volume 5: HEALTHINF

ISBN

978-989-758-281-3

ISSN

—

e-ISSN

neuvedeno

Počet stran výsledku

8

Strana od-do

446-453

Název nakladatele

SCITEPRESS – Science and Technology Publications

Místo vydání

Setúbal

Místo konání akce

Madeira, Portugal

Datum konání akce

19. 1. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—