Automatic Motor Imagery Classification by CNN-Transformer-LSTM Using Multi-Channel EEG Signals

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F24%3A43973266" target="_blank" >RIV/49777513:23520/24:43973266 - isvavai.cz</a>

Výsledek na webu

<a href="https://ebooks.iospress.nl/doi/10.3233/FAIA241048" target="_blank" >https://ebooks.iospress.nl/doi/10.3233/FAIA241048</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.3233/FAIA241048" target="_blank" >10.3233/FAIA241048</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Automatic Motor Imagery Classification by CNN-Transformer-LSTM Using Multi-Channel EEG Signals

Popis výsledku v původním jazyce

The brain-computer interface (BCI) is a promising technology that could bring about a significant revolution in various fields, including healthcare and human enhancement. One commonly used BCI method in healthcare, particularly in rehabilitation, is the analysis of motor imagery (MI) through an electroencephalogram (EEG). Our study introduces a hybrid deep learning model called CNN-Transformer-LSTM, which utilizes multi-channel EEG signals to classify MI binary and multiclass automatically. Our experiments have shown that this proposed method is more effective than previous state-of-the-art studies at accurately classifying MI using multi-channel EEG signals.

Název v anglickém jazyce

Automatic Motor Imagery Classification by CNN-Transformer-LSTM Using Multi-Channel EEG Signals

Popis výsledku anglicky

The brain-computer interface (BCI) is a promising technology that could bring about a significant revolution in various fields, including healthcare and human enhancement. One commonly used BCI method in healthcare, particularly in rehabilitation, is the analysis of motor imagery (MI) through an electroencephalogram (EEG). Our study introduces a hybrid deep learning model called CNN-Transformer-LSTM, which utilizes multi-channel EEG signals to classify MI binary and multiclass automatically. Our experiments have shown that this proposed method is more effective than previous state-of-the-art studies at accurately classifying MI using multi-channel EEG signals.

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

2024

Kód důvěrnosti údajů

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

Název statě ve sborníku

Frontiers in Artificial Intelligence and Applications

ISBN

978-1-64368-548-9

ISSN

0922-6389

e-ISSN

1879-8314

Počet stran výsledku

8

Strana od-do

4555-4562

Název nakladatele

IOS Press

Místo vydání

—

Místo konání akce

Santiago de Compostela, Španělsko

Datum konání akce

19. 10. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001593512300578