Efektywność klasyfikacji mrugnięcia z wykorzystaniem wybranych sieci neuronowych
DOI:
https://doi.org/10.34767/SIMIS.2021.01.02Słowa kluczowe:
Sieci neuronowe, sztuczna inteligencja, headset, BCI, EEG.Abstrakt
Głównym celem badania było porównanie i wykazanie, która z przedstawionych typów sieci neuronowych najlepiej sklasyfikuje pobierany sygnał EEG mierzony przez headset Emotiv EPOC. Przedstawione sieci neuronowe są stosowane w szerokim zakresie przetwarzania danych. Została wybrana sieć splotowa oraz sieć Kohonena. Parametry sieci, takie jak ilość przejść danych uczących w jednej sesji uczącej zostały modyfikowane. Badanie uwzględnia stopień błędu klasyfikacji sygnału przez sieć oraz ilość czasu potrzebna do trening modelu. Wartością porównywalną jest stosunek czasu treningu do stopnia dokładności klasyfikacji. Otrzymane wyniki zostały przedstawione jako wykresy zależności w/w wartości do parametrów dotyczących uczenia modelu sieci.
Bibliografia
D. L. Felten, R. F. Józefowicz, J. A. Craig, C. A. Machado, and J. A. Perkins, Atlas neuroanatomii i neurofizjologii Nettera. Elsevier Urban & Partner, 2012.
L. Grad, “Przykład optymalizacji struktury sztucznej sieci neuronowej metodą algorytmów genetycznych,” Biuletyn Instytutu Automatyki i Robotyki, vol. 12, no. 23, pp. 27–36, 2006.
N. F. G¨uler, E. D. Ubeyli, and I. G¨uler, ¨ “Recurrent neural networks employing lyapunov exponents for eeg signals classification,” Expert systems with applications, vol. 29, no. 3, pp. 506–514, 2005.
M. Jukiewicz, M. Buchwald, and A. CysewskaSobusiak, “Usuwanie artefaktów z sygnałów sterujących interfejsem mózg-komputer,” Poznan University of Technology Academic Journals. Electrical Engineering, 2017.
M. Kołodziej, R. J. Rak, and A. Majkowski, “Interfejs mózg-komputer – wybrane problemy rejestracji i analizy sygnału EEG,” PRZEGLĄD ELEKTROTECHNICZNY, 2009.
A. Krizhevsky, I. Sutskever, and G. H. Hinton, “Imagenet classification with deep con- volutional neural networks,” Adv. Neural Inf. Process. Syst, vol. 25, 2012.
R. Leszek, “Metody i techniki sztucznej inteligencji,” PWN, Warszawa, 2005.
D. Matthew and R. Fergus,“Visualizing and understanding convolutional neural networks,”in Proceedings of the 13th European Conference Computer Vision and Pattern Recognition, Zurich, Switzerland, 2014.
D. Mikołajewski, E. Tomaszewska, and M. Karczmarek, “Interfejsy mózg-komputer w sterowaniu urządzeniami i systemami mechatronicznymi,” Studia i Materiały Informatyki Stosowanej, vol. 10, no. 2, pp. 4–9, 2018.
S. Paszkiel, “Wykorzystanie metody PCA i ICA do analizy sygnału EEG w kontekście usuwania zakłóceń,”Pomiary AutomatykaKontrola, vol. 59, no. 3, pp. 204–207, 2013.
S. M. Plis, D. R. Hjelm, R. Salakhutdinov, E. A. Allen, H. J. Bockholt, J. D. Long, H. J. Johnson, J. S. Paulsen, J. A. Turner, and V. D.Calhoun,“Deep learning for neuroimaging: a validation study,” Frontiers in neuroscience, vol. 8, 2014.
T. Pracki and D. Pracka, “Elektroencefalografia cyfrowa,” Sen, vol. 4, pp. 71–77, 01 2004.
R. Tadeusiewicz, Sieci neuronowe. Akademicka Oficyna Wydawnicza Warszawa, 1993, vol. 180.
R. Tadeusiewicz and M. Szaleniec, Leksykon sieci neuronowych. Projekt Nauka. Fundacja na rzecz promocji nauki polskiej, 2015.
M. D. Zeiler, D. Krishnan, G. W. Taylor, and R. Fergus,“Deconvolutional networks,”in 2010 IEEE Computer SocietyConference on computer vision and pattern recognition. IEEE, 2010.
J. Żurada, M. Barski, and W. Jędruch, Sztuczne sieci neuronowe: podstawy teorii i zastosowania. Wydawnictwo Naukowe PWN, 1996.
