Nature-Inspired Algorithms for Selecting EEG Sources for Motor Imagery Based BCI

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F15%3A86096572" target="_blank" >RIV/61989100:27240/15:86096572 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/67985807:_____/15:00444967

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-19369-4_8" target="_blank" >http://dx.doi.org/10.1007/978-3-319-19369-4_8</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-19369-4_8" target="_blank" >10.1007/978-3-319-19369-4_8</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Nature-Inspired Algorithms for Selecting EEG Sources for Motor Imagery Based BCI

Popis výsledku v původním jazyce

In this article we examine the performance of two well-known metaheuristic techniques (Genetic Algorithm and Simulating Annealing) for selecting the input features of a classifier in a BCI system. An important problem of the EEG-based BCI system consistsin designing the EEG pattern classifier. The selection of the EEG channels used for building that learning predictor has impact in the classifier performance. We present results of both metaheuristic techniques on real data set when the classifier is aBayesian predictor. We statistically compare that performances with a random selection of the EEG channels. According our empirical results our approach significantly increases the accuracy of the learning predictor. (C) Springer International PublishingSwitzerland 2015.

Název v anglickém jazyce

Nature-Inspired Algorithms for Selecting EEG Sources for Motor Imagery Based BCI

Popis výsledku anglicky

In this article we examine the performance of two well-known metaheuristic techniques (Genetic Algorithm and Simulating Annealing) for selecting the input features of a classifier in a BCI system. An important problem of the EEG-based BCI system consistsin designing the EEG pattern classifier. The selection of the EEG channels used for building that learning predictor has impact in the classifier performance. We present results of both metaheuristic techniques on real data set when the classifier is aBayesian predictor. We statistically compare that performances with a random selection of the EEG channels. According our empirical results our approach significantly increases the accuracy of the learning predictor. (C) Springer International PublishingSwitzerland 2015.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2015

Kód důvěrnosti údajů

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

Název statě ve sborníku

Lecture Notes in Computer Science. Volume 9120

ISBN

978-3-319-19368-7

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

12

Strana od-do

79-90

Název nakladatele

Springer Verlag

Místo vydání

London

Místo konání akce

Zakopane

Datum konání akce

14. 6. 2015

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—