Removal of Muscular Artifacts from EEG Records
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F14%3A00217953" target="_blank" >RIV/68407700:21230/14:00217953 - isvavai.cz</a>
Výsledek na webu
<a href="http://radio.feld.cvut.cz/conf/poster2014/" target="_blank" >http://radio.feld.cvut.cz/conf/poster2014/</a>
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Removal of Muscular Artifacts from EEG Records
Popis výsledku v původním jazyce
The paper presents the algorithm for the removal of muscular artifacts from EEG signals recorded with the high density EEG electrode array. The proposed approach combines the blind source separation algorithm based on the canonical correlation analysis (CCA), the classifier based on three independent Bayesian classifiers and the regression method. In order to estimate the present muscular artifacts, the CCA is applied on electrodes located on the edge of the measuring array. Present muscular artifacts are then extracted from the estimated separated components with the use of the classifier. The last step of the algorithm involves the scaling of each muscular artifact and their subtraction from each EEG signal, so that they are no longer correlated witheach other. The performance of the algorithm is evaluated for two cases. In the first case, the CCA is used as the BSS method, in the second case the Second Order Blind Identification (SOBI) method is used for comparison purposes. It is
Název v anglickém jazyce
Removal of Muscular Artifacts from EEG Records
Popis výsledku anglicky
The paper presents the algorithm for the removal of muscular artifacts from EEG signals recorded with the high density EEG electrode array. The proposed approach combines the blind source separation algorithm based on the canonical correlation analysis (CCA), the classifier based on three independent Bayesian classifiers and the regression method. In order to estimate the present muscular artifacts, the CCA is applied on electrodes located on the edge of the measuring array. Present muscular artifacts are then extracted from the estimated separated components with the use of the classifier. The last step of the algorithm involves the scaling of each muscular artifact and their subtraction from each EEG signal, so that they are no longer correlated witheach other. The performance of the algorithm is evaluated for two cases. In the first case, the CCA is used as the BSS method, in the second case the Second Order Blind Identification (SOBI) method is used for comparison purposes. It is
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
JC - Počítačový hardware a software
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2014
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
POSTER 2014 - 18th International Student Conference on Electrical Engineering
ISBN
978-80-01-05499-4
ISSN
—
e-ISSN
—
Počet stran výsledku
6
Strana od-do
—
Název nakladatele
Czech Technical University
Místo vydání
Prague
Místo konání akce
Praha
Datum konání akce
15. 5. 2014
Typ akce podle státní příslušnosti
EUR - Evropská akce
Kód UT WoS článku
—