Odhad řádu modelu ICA pomocí clusterovací metody

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F07%3A03135611" target="_blank" >RIV/68407700:21230/07:03135611 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

ICA Model Order Estimation Using Clustering Method

Popis výsledku v původním jazyce

In this paper a novel approach for independent component analysis (ICA) model order estimation of movement electroencephalogram (EEG) signals is described. The application is targeted to the brain-computer interface (BCI) EEG preprocessing. The selectionof only movement related ICs might lead to BCI EEG classification score increasing. The real number of the independent sources in the brain is an important parameter of the preprocessing step. Previously, we used principal component analysis (PCA) for estimation of the number of the independent sources. However, PCA stimates only the number of uncorrelated and not independent components ignoring the higher-order signal statistics. In this work, we use another approach - selection of highly correlated ICs from several ICA runs. The ICA model order estimation is done at significance level alpha = 0.05 and the model order is less or more dependent on ICA algorithm and its parameters.

Název v anglickém jazyce

ICA Model Order Estimation Using Clustering Method

Popis výsledku anglicky

In this paper a novel approach for independent component analysis (ICA) model order estimation of movement electroencephalogram (EEG) signals is described. The application is targeted to the brain-computer interface (BCI) EEG preprocessing. The selectionof only movement related ICs might lead to BCI EEG classification score increasing. The real number of the independent sources in the brain is an important parameter of the preprocessing step. Previously, we used principal component analysis (PCA) for estimation of the number of the independent sources. However, PCA stimates only the number of uncorrelated and not independent components ignoring the higher-order signal statistics. In this work, we use another approach - selection of highly correlated ICs from several ICA runs. The ICA model order estimation is done at significance level alpha = 0.05 and the model order is less or more dependent on ICA algorithm and its parameters.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

JA - Elektronika a optoelektronika, elektrotechnika

OECD FORD obor

—

Projekt

<a href="/cs/project/GD102%2F03%2FH085" target="_blank" >GD102/03/H085: Modelování biologických a řečových signálů</a><br>

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2007

Kód důvěrnosti údajů

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

Název periodika

Radioengineering

ISSN

1210-2512

e-ISSN

—

Svazek periodika

16

Číslo periodika v rámci svazku

4

Stát vydavatele periodika

CZ - Česká republika

Počet stran výsledku

7

Strana od-do

51-57

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—