Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Optimalizace parametrů klasifikace pohybového EEG

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F14%3A00219203" target="_blank" >RIV/68407700:21230/14:00219203 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    čeština

  • Název v původním jazyce

    Optimalizace parametrů klasifikace pohybového EEG

  • Popis výsledku v původním jazyce

    Tento příspěvek je zaměřen na optimalizaci parametrů klasifikačního systému na bázi HMM sloužícího k rozpoznání typů pohybů z nahrávek pohybového EEG. Je prozkoumán široký výběr nastavení N-krát opakované K-fold křížové validace, aby bylo nalezeno optimální nastavení, které dobře vyvažuje kvalitu a stabilitu výsledků proti výpočetní náročnosti. Je vybrána 10-krát opakovaná 5-fold křížová validace. Je proveden důkladný výběr frekvenčního pásma pro výběr příznaků pro klasifikaci v rozsahu 5 až 45 Hz. Pomocí optimalizace příznaků je na databázi pohybů ramena a ukazováčku dosaženo průměrného vylepšení klasifikačního skóre o 3,5%. V rámci implementace experimentů bylo vytvořeno paralelní rozšíření stávajícího EEG toolboxu, které zrychluje klasifikaci až 4,4krát.

  • Název v anglickém jazyce

    Optimization of movement EEG klassification parametrs

  • Popis výsledku anglicky

    This contribution is focused on optimizing the parameters of a classification system based on HMM used for movement-type classification from EEG recordings. A wide variety of settings of N-times repeated K-fold cross-validation is explored in order to find the optimum setting that balances the quality and stability of results against computational cost. 10-times repeated 5-fold cross-validation was chosen. Careful selection of frequency bands for feature selection in the range of 5-45 Hz was performed.Using feature optimization average classification score improvement of 3.5% was achieved. For the implementation of the experiments a parallel extension of the current EEG toolbox was created, this speeds up the classification up to 4.4 times.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    IN - Informatika

  • 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

    IV. Letní doktorandské dny 2014

  • ISBN

    978-80-01-05506-9

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    5

  • Strana od-do

    21-25

  • Název nakladatele

    ČVUT FEL, Katedra teorie obvodů

  • Místo vydání

    Praha

  • Místo konání akce

    Praha

  • Datum konání akce

    29. 5. 2014

  • Typ akce podle státní příslušnosti

    CST - Celostátní akce

  • Kód UT WoS článku