Algorytm automatycznej klasyfikacji w oparciu o sygnały źródłowe EEG i jego implementacja

• Autorzy: Jogodzińska-Szymańska U.

Identyfikatory

DOI

10.15199/13.2016.12.5

Warianty tytułu

EN

(Algorithm for the automatic classification based on the signal sources of EEG and its implementation

• Języki publikacji: PL

Abstrakty

PL

Celem artykułu jest przedstawienie algorytmu klasyfikacji sygnałów EEG opartego na rozwiązywaniu zagadnienia odwrotnego. Proponowana metoda klasyfikacji wykorzystuje teorię grafów. Dla surowych sygnałów zastosowano algorytm wyznaczania widmowej gęstości mocy (PSD). Wykonane testy potwierdziły poprawność klasyfikacji na poziomie przekraczającym 90%. Dzięki rozwiązaniu zagadnienia odwrotnego można było uzyskać informację o miejscach, w których sygnały związane z planowaniem ruchu mają swoje źródło.

EN

The purpose of the article is to present the testing algorithm for the classification of EEG signals based on the inverse solution. The proposed method of classification is based on the graph theory. The algorithm for determining the power spectral density (PSD) was used for the raw signals. The tests performed with the use of the automatic algorithm confirmed the accuracy of classification at the level exceeding 90%. With the solution of the inverse problem information was obtained about places where signals associated with planning movement have their sources.

Słowa kluczowe

PL

klasyfikacja sygnałów; minimalne drzewo rozpinające; PSD; BCI

EN

signal classification; minimal spanning tree; PSD; BCI

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2016
• Tom: Vol. 57, nr 12
• Strony: 31--32
• Opis fizyczny: Bibliogr. 12 poz., il.

Twórcy

autor

Jogodzińska-Szymańska U.

• PIT-RADWAR S.A. Warszawa

Bibliografia

• [1] Dąbrowski M., Laus-Mączyńska K. 1978. „Metody wyszukiwania i klasyfikacji informacji”. WNT.
• [2] Gower J. C., Ross G. J. S. 1969. “Minimum Spanning Trees and Single Linkage Cluster Analysis”. Journal Roy. Stat. Ass. C-Appl. Stat. No 18: 64–64.
• [3] Gower J. C. 1967. “A comparison of Some Methods of Cluster Analysis”, Biometrics vol. 23: 623–637.
• [4] Jagodzińska U. 2013. “The implementation of algorithms for inverse solutions in EEG brain-computer interfaces”. Signal Processing Symposium, IEEE base.
• [5] Jagodzińska U. 2013. “Towards the Applications of Algorithms for Inverse Solutions in EEG Brain-Computer Interfaces”, International Journal of Electronics and Telecommunications, ISSN 2081-8491: 277–283.
• [6] Jagodzińska, U. 2013. “Applying Algorithms for inverse solutions in classifying EEG signals. Wykorzystywanie algorytmów do rozwiązywania zagadnień odwrotnych do klasyfikacji sygnałów EEG”. ELEKTRONIKA – Konstrukcje, Technologie, Zastosowania 9/2013: 144–147.
• [7] Jagodzińska-Szymańska U. 2015. “Implementation of BCI for classifying the intention of movement based on the location of EEG signal sources”, ELEKTRONIKA – Konstrukcje, Technologie, Zastosowania 9/2015: 60–63.
• [8] Lawson CH, L. i inni. 1995. “Solving Least Square Problems, Classics in Applied Mathematics”. Society for Industrial and Applied Mathematics Philadelphia SIAM.
• [9] Narsingh Deo. 1980. „Teoria Grafów i Jej Zastosowania w Technice i Informatyce”. PWN.
• [10] Pascual-Marqui R.D., 1999, “Review of Methods for solving the EEG Inverse Problem”. International Journal of Bioelectromagnetism v. 1 No. 1: 75–86.
• [11] Rogers J., Tamimoto T. 1960. “A computer program for classifying Plants”, Science vol. 18: 103–110.
• [12] Ross G. J. S. 1969. “Minimum Spanning Trees”, Journal Roy. Stat. Ass. C-Appl. Stat. vol. 18: pp. 103–110.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).