Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Przegląd Elektrotechniczny

1 2024

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: Sea Lion optimization

Sortuj według:

Ogranicz wyniki do:

Motor imagery EEG signal classification using optimized convolutional neural network

Thiyam Deepa Beeta, Raymond Shelishiyah, Avasarala Padmanabha Sarma

Przegląd Elektrotechniczny

2024

R. 100, nr 8

273--279

Motor Imagery (MI) signals help the Brain-Computer Interface framework (BCI) to enable the binding of the human brain to external devices. Thus, both BCI and MI together are instrumental in enhancing the lives of patients affected by motor neuron disorders. A novel MI Electroencephalography (EEG) signal identification and classification approach is proposed in this work. An error-free extraction algorithm is required to extract and classify the temporal and spatial features successfully. This paper proposes the Hilbert Transform (HT) for band energy analysis and Gabor Filter for the selection of optimal frequency band. In this work, the Wavelet Packet Decomposition (WPD) algorithm is used for feature extraction and it decomposes the signal into high and low-frequency components before extracting band coefficients. Moreover, the Convolution Neural Network (CNN) classifier is employed for the classification of MI-EEG tasks. The classification accuracy of the CNN classifier is enhanced using Sea Lion Optimization (SLno) algorithm. The approach is verified using MATLAB and the results are substantially better than those found in the current research, with an average classification accuracy rate of 96.44% by employing a smaller number of criteria, lessening resource consumption, and eliminating the influence of individual differences. The recommended method minimizes classification computation time while enhancing classification accuracy.

Sygnały obrazu motorycznego (MI) pomagają strukturze interfejsu mózg-komputer (BCI) umożliwić wiązanie ludzkiego mózgu z urządzeniami zewnętrznymi. Zatem zarówno BCI, jak i MI razem odgrywają zasadniczą rolę w poprawie życia pacjentów dotkniętych zaburzeniami neuronu ruchowego. W tej pracy zaproponowano nowatorskie podejście do identyfikacji i klasyfikacji sygnałów MI-Elektroencefalografii (EEG). Do pomyślnego wyodrębnienia i sklasyfikowania cech czasowych i przestrzennych wymagany jest bezbłędny algorytm ekstrakcji. W artykule zaproponowano transformatę Hilberta (HT) do analizy energii pasma oraz filtr Gabora do wyboru optymalnego pasma częstotliwości. W tej pracy do ekstrakcji cech wykorzystano algorytm Wavelet Packet Decomposition (WPD), który rozkłada sygnał na składowe o wysokiej i niskiej częstotliwości przed wyodrębnieniem współczynników pasma. Ponadto do klasyfikacji zadań MI-EEG wykorzystuje się klasyfikator Convolution Neural Network (CNN). Dokładność klasyfikacji klasyfikatora CNN jest zwiększona dzięki zastosowaniu algorytmu Sea Lion Optimization (SLno). Podejście to jest weryfikowane przy użyciu MATLAB-a, a wyniki są znacznie lepsze niż w bieżących badaniach, ze średnim współczynnikiem dokładności klasyfikacji wynoszącym 96.44% przy zastosowaniu mniejszej liczby kryteriów, mniejszym zużyciu zasobów i wyeliminowaniu wpływu różnic indywidualnych. Zalecana metoda minimalizuje czas obliczeń klasyfikacyjnych, jednocześnie zwiększając dokładność klasyfikacji.