Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Powiadomienia systemowe

Sesja wygasła!
Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: analiza składowych niezależnych (ICA)

Sortuj według:

Ogranicz wyniki do:

Feature vector or time-series – comparison of gestures representations in automatic gesture recognition systems

Barczewska K., Wójtowicz W., Moszkowski T.

Challenges of Modern Technology

2015

Vol. 6, no. 1

1--5

In this paper, we performed recognition of isolated sign language gestures - obtained from Australian Sign Language Database (AUSLAN) – using statistics to reduce dimensionality and neural networks to recognize patterns. We designated a set of 70 signal features to represent each gesture as a feature vector instead of a time series, used principal component analysis (PCA) and independent component analysis (ICA) to reduce dimensionality and indicate the features most relevant for gesture detection. To classify the vectors a feedforward neural network was used. The resulting accuracy of detection ranged between 61 to 87%.

Usuwanie artefaktów z danych EEG przy użyciu analizy składowych niezależnych

Górecka J., Kaszyński R.

Pomiary Automatyka Kontrola

2008

R. 54, nr 12

827-830

Celem przedstawionych wyników badań jest eliminacja wybranych niepożądanych sygnałów przy użyciu analizy składowych niezależnych. W artykule przedstawiono następujące algorytmy BSS (z ang. Blind Signal Separation): HJ oraz Infomax jako narzędzia do separacji i usuwania wybranej grupy artefaktów (mruganie powiek, artefakty mięśniowe) z przebiegów EEG. Jak udowodniono w eksperymentach proponowane algorytmy adaptacyjne mogą efektywnie wykrywać i usuwać wybrane artefakty z przebiegów EEG.

The aim of the performed investigations is to remove selected undesired signals by means of ICA approach. In the paper there are presented the following algorithms BSS (Blind Signal Separation): HJ and Infomax for separation and removal of selected group of artifacts (eye blinks, muscle activity) from EEG recordings. It has been proved in the experiments which are described in the paper that the proposed adaptive algorithms can effectively detect and remove these selected artifacts from EEG recordings.