Klasyfikacja sygnałów EEG w interfejsach mózg-komputer z wykorzystaniem sieci neuronowych

• Autorzy: Galas Krzysztof

Identyfikatory

DOI

10.34767/SIMIS.2024.03.03

Warianty tytułu

EN

Classification of EEG signals at brain-computerinterfaces using neural networks

• Języki publikacji: PL

Abstrakty

PL

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.

EN

The aim of this paper is to present methods for classifying EEG signals in brain-computer interfaces (BCIs) using neural networks. Thanks to their ability to model complex relationships in the data, it is possible to recognise patterns of brain activity more effectively, which contributes to improving the accuracy and speed of BCI systems. This paper discusses neural network architectures used to analyse EEG signals, such as convolutional networks (CNNs) or recurrent networks (RNNs). The research shows that these methods have immense potentialin applications such as assistive device control, communication,and entertainment.

Słowa kluczowe

PL

interfejs mózg-komputer; EEG; sieci neuronowe; klasyfikacja sygnału; przetwarzanie sygnałów

EN

brain-computer interface; EEG; neural networks; signal classification; signal processing

• Wydawca: Instytut Informatyki Uniwersytet Kazimierza Wielkiego
• Czasopismo: Studia i Materiały Informatyki Stosowanej
• Rocznik: 2024
• Tom: T. 16, nr 3
• Strony: 18--23
• Opis fizyczny: Bibliogr. 13 poz., rys.

Twórcy

autor

Galas Krzysztof

• Uniwersytet Kazimierza Wielkiego, Wydział Informatyki Kopernika 1, 85-074 Bydgoszcz

Bibliografia

• 1.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.
• 2.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.
• 3.Piszcz A. BCI w VR: imersja sposobem na sprawniejsze wykorzystywanie interfejsu mózg-komputer. Studia i Materiały Informatyki Stosowanej. 2021, 13(1), 5-10.
• 4.Jian C.et al. EEG-Based Cross-Subject Driver Drowsiness Recognition With an Interpretable CNN. 2022.
• 5.Emami A., Kunii N., Matsuo T., Shinozaki T., Kawai K., Takahashi H. Seizure detection by convolutional neural network-based analysis of scalp electroencephalographyplot images. Elsevier BV. 2019.
• 6.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.
• 7.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.
• 8.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.
• 9.Ahmedt-Aristizabal D., Fookes C., Nguyen K., Sridharan S. Deep Classification of Epileptic Signals. 2018. doi: 10.1109/embc.2018.8512249.
• 10.El-Ashmawi W.H.et al. A Comprehensive Review on Brain–Computer nterface (BCI)-Based Machine and Deep Learning Algorithms for Stroke Rehabilitation. Multidiscip Digit Publ Inst. 2024, 14(14), 6347.
• 11.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.
• 12.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.
• 13.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.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).