Use of Spiking Neural Networks over Augmented EEG Dataset

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F23%3A43970948" target="_blank" >RIV/49777513:23520/23:43970948 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/10385680" target="_blank" >https://ieeexplore.ieee.org/document/10385680</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/BIBM58861.2023.10385680" target="_blank" >10.1109/BIBM58861.2023.10385680</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Use of Spiking Neural Networks over Augmented EEG Dataset

Popis výsledku v původním jazyce

The relatively small size of EEG datasets impacts the use of traditional and spiking neural networks as EEG data classifiers. Since getting a larger number of EEG recordings requires much laborious laboratory work, using data augmentation methods and techniques seems beneficial. This paper deals with the experiments with, in particular, spiking neural networks over the augmented P300 dataset. Augmentation methods for EEG data are shortly presented; generative adversarial network models and sliding windows of various sizes are used to augment the original P300 dataset. The classification results over the original and augmented P300 datasets are compared, noting that classification accuracy increased by almost 27%.

Název v anglickém jazyce

Use of Spiking Neural Networks over Augmented EEG Dataset

Popis výsledku anglicky

The relatively small size of EEG datasets impacts the use of traditional and spiking neural networks as EEG data classifiers. Since getting a larger number of EEG recordings requires much laborious laboratory work, using data augmentation methods and techniques seems beneficial. This paper deals with the experiments with, in particular, spiking neural networks over the augmented P300 dataset. Augmentation methods for EEG data are shortly presented; generative adversarial network models and sliding windows of various sizes are used to augment the original P300 dataset. The classification results over the original and augmented P300 datasets are compared, noting that classification accuracy increased by almost 27%.

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

2023

Kód důvěrnosti údajů

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

Název statě ve sborníku

2023 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)

ISBN

979-8-3503-3748-8

ISSN

2156-1125

e-ISSN

2156-1133

Počet stran výsledku

5

Strana od-do

2488-2492

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Istanbul

Datum konání akce

5. 12. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—