Klasyfikacja sygnałów EEG w interfejsach mózg-komputer z wykorzystaniem sieci neuronowych
DOI:
https://doi.org/10.34767/SIMIS.2024.03.03Słowa kluczowe:
Interfejs mózg-komputer, EEG, Sieci neuronowe, Klasyfikacja sygnału przetwarzanie sygnałówAbstrakt
Celem pracy jest zaprezentowanie metod klasyfikacji sygnałów EEG w interfejsach mózg-komputer (BCI) z wykorzystaniem sieci neuronowych. Dzięki ich zdolności do modelowania złożonych zależności w danych, możliwe jest skuteczniejsze rozpoznawanie wzorców aktywności mózgowej, co przyczynia się do poprawy dokładności i szybkości działania systemów BCI. W pracy omówiono architektury sieci neuronowych wykorzystywane do analizy sygnałów EEG, takie jak sieci konwolucyjne (CNN) czy rekurencyjne (RNN). Badania pokazują, że te metody mają ogromny potencjał w zastosowaniach takich jak sterowanie urządzeniami wspomagającymi, komunikacja oraz rozrywka.
Bibliografia
Wosiak A., Dura A. Hybrid Method of Automated EEG Signals’ Selection Using Reversed Correlation Algorithm for Improved Classification of Emotions. Multidiscip Digit Publ Inst. 2020. doi: 10.3390/s20247083.
Berestov R.M., Bobkov E.A., Belov V.S., Nevedin A.V. Brain–computer interface technologies for monitoring and control of bionic systems. IOP Publ. 2021. doi: 10.1088/1742-6596/2058/1/012030.
Piszcz A. BCI w VR: imersja sposobem na sprawniejsze wykorzystywanie interfejsu mózg-komputer. Studia i Materiały Informatyki Stosowanej. 2021, 13(1), 5-10.
Jian C. et al. EEG-Based Cross-Subject Driver Drowsiness Recognition With an Interpretable CNN. 2022.
Emami A., Kunii N., Matsuo T., Shinozaki T., Kawai K., Takahashi H. Seizure detection by convolutional neural network-based analysis of scalp electroencephalography plot images. Elsevier BV. 2019.
Piszcz A., Rojek I., Mikołajewski D. Impact of Virtual Reality on Brain–Computer Interface Performance in IoT Control— Review of Current State of Knowledge. Multidiscip Digit Publ Inst. 2024. doi: 10.3390/app142210541.
Gu X. et al. EEG-Based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and Their Applications. IEEE/ACM Trans Comput Biol Bioinform. 2021, 18(5), 1645. doi: 10.1109/tcbb.2021.3052811.
Luo W., Yin W., Liu Q., Qu Y. A hybrid brain-computer interface using motor imagery and SSVEP Based on convolutional neural network. 2023. doi: 10.1080/27706710.2023.2258938.
Ahmedt-Aristizabal D., Fookes C., Nguyen K., Sridharan S. Deep Classification of Epileptic Signals. 2018. doi: 10.1109/embc.2018.8512249.
El-Ashmawi W.H. et al. A Comprehensive Review on Brain-Computer Interface (BCI)-Based Machine and Deep Learning Algorithms for Stroke Rehabilitation. Multidiscip Digit Publ Inst. 2024, 14(14), 6347.
Zhang L, Xia B., Wang Y., Zhang W., Han Y. A Fine-Grained Approach for EEG-Based Emotion Recognition Using Clustering and Hybrid Deep Neural Networks. Multidiscip Digit Publ Inst. 2023.
Carrara I., Aristimunha B., Corsi M., de Camargo R.Y., Chevallier S., Papadopoulo T. Geometric Neural Network based on Phase Space for BCI decoding. Cornell University. 2024. doi: 10.48550/arxiv.2403.05645.
Ali O., Saif-ur-Rehman M., Dyck S., Glasmachers T., Iossifidis I., Klaes C. Enhancing the decoding accuracy of EEG signals by the introduction of anchored-STFT and adversarial data augmentation method. Nature Portfolio. 2022. doi: 10.1038/s41598-022-07992-w.
Pobrania
Opublikowane
Numer
Dział
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Na tych samych warunkach 4.0 Miedzynarodowe.
