Active Learning Approach for EEG Classification using Neural Networks: A review

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21460%2F19%3A00336838" target="_blank" >RIV/68407700:21460/19:00336838 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1109/EHB47216.2019.8970017" target="_blank" >https://doi.org/10.1109/EHB47216.2019.8970017</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/EHB47216.2019.8970017" target="_blank" >10.1109/EHB47216.2019.8970017</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Active Learning Approach for EEG Classification using Neural Networks: A review

Popis výsledku v původním jazyce

Labelling of electroencephalography (EEG) recordings for further classification and analysis can be time consuming for a physician (expert), especially for long term monitoring (e.g. sleep stages). Active learning approach using machine learning classifiers seems to be a promising method for semi-automated label acquisition with expert in the loop as it can radically decrease the necessary training set needed for neural network to learn. A critical review of current state-of-the-art in active learning approach for EEG classification by neural networks is the goal of this paper. Studies using active learning in EEG address detection of specific graphoelements (artifacts, VEPs, epileptic spikes) or stages (sleep stages, drowsiness) or they optimized brain computer interface (BCI). Amount of the training set in the studies is reduced compared to a common classifier used as a golden standard (reduction differs from 40% to 80% of the set size).

Název v anglickém jazyce

Active Learning Approach for EEG Classification using Neural Networks: A review

Popis výsledku anglicky

Labelling of electroencephalography (EEG) recordings for further classification and analysis can be time consuming for a physician (expert), especially for long term monitoring (e.g. sleep stages). Active learning approach using machine learning classifiers seems to be a promising method for semi-automated label acquisition with expert in the loop as it can radically decrease the necessary training set needed for neural network to learn. A critical review of current state-of-the-art in active learning approach for EEG classification by neural networks is the goal of this paper. Studies using active learning in EEG address detection of specific graphoelements (artifacts, VEPs, epileptic spikes) or stages (sleep stages, drowsiness) or they optimized brain computer interface (BCI). Amount of the training set in the studies is reduced compared to a common classifier used as a golden standard (reduction differs from 40% to 80% of the set size).

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20601 - Medical engineering

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)

Rok uplatnění

2019

Kód důvěrnosti údajů

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

Název statě ve sborníku

IEEE E-HEALTH AND BIOENGINEERING EHB 2019

ISBN

978-1-7281-2603-6

ISSN

—

e-ISSN

2575-5145

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

21. 11. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000558648300147