Non-negative matrix factorization for EEG

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F13%3A86089241" target="_blank" >RIV/61989100:27240/13:86089241 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/TAEECE.2013.6557219" target="_blank" >http://dx.doi.org/10.1109/TAEECE.2013.6557219</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/TAEECE.2013.6557219" target="_blank" >10.1109/TAEECE.2013.6557219</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Non-negative matrix factorization for EEG

Popis výsledku v původním jazyce

Today with the progress of science and technology becomes signal analysis, data analysis and data mining are very Important in most science and engineering applications. Extracting useful knowledge from experimental raw datasets, measurements, observations and analysis and understand complex data has become very important challenge in the world. The raw datasets in most common is collected from complex phenomena that express to integrated result of various hidden related variables or they are set of underlying hidden component of factors. The complex raw dataset first must be decomposition by dimensionally reduction method such as matrix decomposition to extraction the hidden information or hidden factors of complex raw dataset.

Název v anglickém jazyce

Non-negative matrix factorization for EEG

Popis výsledku anglicky

Today with the progress of science and technology becomes signal analysis, data analysis and data mining are very Important in most science and engineering applications. Extracting useful knowledge from experimental raw datasets, measurements, observations and analysis and understand complex data has become very important challenge in the world. The raw datasets in most common is collected from complex phenomena that express to integrated result of various hidden related variables or they are set of underlying hidden component of factors. The complex raw dataset first must be decomposition by dimensionally reduction method such as matrix decomposition to extraction the hidden information or hidden factors of complex raw dataset.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2013

Kód důvěrnosti údajů

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

Název statě ve sborníku

2013 INTERNATIONAL CONFERENCE ON TECHNOLOGICAL ADVANCES IN ELECTRICAL, ELECTRONICS AND COMPUTER ENGINEERING (TAEECE)

ISBN

978-1-4673-5613-8

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

183-187

Název nakladatele

IEEE

Místo vydání

New York

Místo konání akce

Konya

Datum konání akce

9. 5. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—