Simulation, Modification and Dimension Reduction of EEG Feature Space
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21460%2F19%3A00321936" target="_blank" >RIV/68407700:21460/19:00321936 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-981-10-9038-7_80" target="_blank" >http://dx.doi.org/10.1007/978-981-10-9038-7_80</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-981-10-9038-7_80" target="_blank" >10.1007/978-981-10-9038-7_80</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Simulation, Modification and Dimension Reduction of EEG Feature Space
Popis výsledku v původním jazyce
An automated classification of EEG time segments is frequently used technique across many neuro-scientific fields. Generally, segment classification results in labeled EEG time segments (e.g. physiological brain activity, epileptic activity, muscle artifacts or electrode artifacts). However, currently used methods are usually tested on artificial surrogate data and more general validation approach is needed. Here, a generalized statistical model of commonly used discriminating features obtained from real EEG data is presented for the first time. Multivariate probability density functions (PDFs) of classes are fitted on more than twenty thousand of testing segments from human EEG. An unique testing set is designed using a recent non-linear dimension reduction technique. Parametric and non-parametric PDF estimators are applied and compared in sense of feature space model.
Název v anglickém jazyce
Simulation, Modification and Dimension Reduction of EEG Feature Space
Popis výsledku anglicky
An automated classification of EEG time segments is frequently used technique across many neuro-scientific fields. Generally, segment classification results in labeled EEG time segments (e.g. physiological brain activity, epileptic activity, muscle artifacts or electrode artifacts). However, currently used methods are usually tested on artificial surrogate data and more general validation approach is needed. Here, a generalized statistical model of commonly used discriminating features obtained from real EEG data is presented for the first time. Multivariate probability density functions (PDFs) of classes are fitted on more than twenty thousand of testing segments from human EEG. An unique testing set is designed using a recent non-linear dimension reduction technique. Parametric and non-parametric PDF estimators are applied and compared in sense of feature space model.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20601 - Medical engineering
Návaznosti výsledku
Projekt
<a href="/cs/project/GA17-20480S" target="_blank" >GA17-20480S: Časový kontext v úloze analýzy dlouhodobého nestacionárního vícerozměrného signálu</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2019
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
World Congress on Medical Physics and Biomedical Engineering 2018
ISBN
978-981-10-9038-7
ISSN
—
e-ISSN
1680-0737
Počet stran výsledku
5
Strana od-do
425-429
Název nakladatele
Springer Nature Singapore Pte Ltd.
Místo vydání
—
Místo konání akce
Prague
Datum konání akce
3. 6. 2018
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000449742700080