Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Przegląd Elektrotechniczny

1 2024

Powiadomienia systemowe

Sesja wygasła!
Sesja wygasła!
Sesja wygasła!

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: Lifting Wavelet Transform

Sortuj według:

Ogranicz wyniki do:

Entropy-based feature extraction for classification of EEG signal using Lifting Wavelet Transform

Ananthi A., Subathra M.S.P., George S. Thomas, Sairamya N.J.

Przegląd Elektrotechniczny

2024

R. 100, nr 9

146--150

In the realm of Brain-Computer Interface (BCI), a crucial hurdle lies in effectively classifying Motor Imagery (MI) signals. Numerous techniques have been developed for Electroencephalogram (EEG) signal-based MI classification. The proposed system transforms EEG signals into various representations through Lifting Wavelet Transform (LWT). Long Short Term Memory (LSTM) is employed for classifying the extracted feature vectors in each line. The performance of this method is evaluated on the PhysioNet database, specifically for distinguishing between right and left hand imagery move. The strategy,resulting in 100% accuracy in 19 out of 72 wavelet families of LWT. This combination proves to be a highly efficient tool for BCI-based EEG analysis, showcasing its potential as a resourceful solution in this domain.

W obszarze interfejsu mózg-komputer (BCI) kluczową przeszkodą jest skuteczna klasyfikacja sygnałów obrazowania motorycznego (MI). Opracowano liczne techniki klasyfikacji MI na podstawie sygnału elektroencefalogramu (EEG). Proponowany system przekształca sygnały EEG na różne reprezentacje za pomocą transformacji falkowej Lifting Wavelet Transform (LWT). Pamięć długoterminowa Long Short Term Memory (LSTM) jest wykorzystywana do klasyfikowania wyodrębnionych wektorów cech w każdej linii. Wydajność tej metody jest oceniana w bazie danych PhysioNet, w szczególności w celu rozróżnienia ruchu obrazowania prawej i lewej ręki. Strategia ta zapewnia 100% dokładność w 19 z 72 rodzin falek LWT. Ta kombinacja okazuje się wysoce wydajnym narzędziem do analizy EEG opartej na BCI, pokazując swój potencjał jako zasobnego rozwiązania w tej dziedzinie.