Supervised Learning Used in Automatic EEG Graphoelements Classification

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21460%2F15%3A00235196" target="_blank" >RIV/68407700:21460/15:00235196 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/00064211:_____/15:N0000004

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Supervised Learning Used in Automatic EEG Graphoelements Classification

Popis výsledku v původním jazyce

The comparison of supervised (k-nearest neighbors) and unsupervised (k-means) methods for automatic classification of EEG grapholements is presented here. The resulting classes should distinguish EEG impulse artifacts, epileptic EEG, EMG activity, normalEEG and many more. The classified EEG graphoelements are visualized in the original multi-channel EEG recording by coloring the EEG graphoelements itselves according to the class they belong to. The temporal profiles of the EEG recording are plotted. The whole procedure of classification begins with adaptive segmentation of EEG graphoelements and feature extraction followed by classification. This data processing approach ends in colored graphoelements according to class directly in the EEG recording,which is suggested to the electroencephalographer for more effective multi-channel EEG analysis.

Název v anglickém jazyce

Supervised Learning Used in Automatic EEG Graphoelements Classification

Popis výsledku anglicky

The comparison of supervised (k-nearest neighbors) and unsupervised (k-means) methods for automatic classification of EEG grapholements is presented here. The resulting classes should distinguish EEG impulse artifacts, epileptic EEG, EMG activity, normalEEG and many more. The classified EEG graphoelements are visualized in the original multi-channel EEG recording by coloring the EEG graphoelements itselves according to the class they belong to. The temporal profiles of the EEG recording are plotted. The whole procedure of classification begins with adaptive segmentation of EEG graphoelements and feature extraction followed by classification. This data processing approach ends in colored graphoelements according to class directly in the EEG recording,which is suggested to the electroencephalographer for more effective multi-channel EEG analysis.

Druh

D - Stať ve sborníku

CEP obor

FS - Lékařská zařízení, přístroje a vybavení

OECD FORD obor

—

Projekt

<a href="/cs/project/NT14072" target="_blank" >NT14072: Prediktivní imunologické markery u pacientů s infekcí virem hepatitidy C</a><br>

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

The 5th IEEE International Conference on E-Health and Bioengineering

ISBN

978-1-4673-7545-0

ISSN

—

e-ISSN

—

Počet stran výsledku

4

Strana od-do

—

Název nakladatele

Gr. T. Popa University of Medicine and Pharmacy

Místo vydání

Iasi

Místo konání akce

Iasi

Datum konání akce

19. 11. 2015

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—