Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Przegląd Elektrotechniczny

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

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.

Implementation of chaotic atom search optimized SWIN transformer architecture for efficient corpus callosum segmentation in brain MRI images

Avasarala Padmanabha Sarma, Govindakumar Saranya

Przegląd Elektrotechniczny

2023

R. 99, nr 12

185--189

A crucial component of the brain that facilitates neuronal communication between the two halves of the brain is the corpus callosum (CC). Processing sensorial, motor, and sophisticated intellectual impulses is the major job of the corpus callosum, which integrates and transfers data from both cerebral hemispheres. Segmentation the CC from brain MRIs is a highly challenging technique because of the low brightness of the surrounding organs and tissues. CNN has historically performed better in segmenting medical images, but in 2021 Microsoft researchers created a novel transformer-based structure that outperformed the prior classification methods. As a result, we propose a CC segmentation method based on the Chaotic Atom Search Optimized Swin (Shifted Window) Transformer architecture. The brain MR imaging database is collected using the opensource OASIS platform. Wavelet Thresholding preprocessing compresses the brain MR images and lowers unneeded noise. The corpus callosum is segmented from images of the skull using the proposed Swin framework, which has been developed and trained. The suggested framework is implemented in the Python environment, and metrics like as accuracy, recall, precision, and F1-score are analyzed and compared with existing systems.

Kluczowym elementem mózgu, który ułatwia komunikację neuronalną między dwiema połówkami mózgu, jest ciało modzelowate (CC). Przetwarzanie impulsów czuciowych, motorycznych i wyrafinowanych intelektualnych to główne zadanie ciała modzelowatego, które integruje i przesyła dane z obu półkul mózgowych. Segmentacja CC na podstawie rezonansu magnetycznego mózgu jest techniką bardzo wymagającą ze względu na niską jasność otaczających narządów i tkanek. W przeszłości CNN radziło sobie lepiej w segmentacji obrazów medycznych, ale w 2021 r. badacze firmy Microsoft stworzyli nowatorską strukturę opartą na transformatorach, która przewyższała wcześniejsze metody klasyfikacji. W rezultacie proponujemy metodę segmentacji CC opartą na architekturze transformatora Chaotic Atom Search Optimized Swin (Shifted Window). Baza danych obrazowania MR mózgu jest gromadzona przy użyciu platformy OASIS typu open source. Wstępne przetwarzanie Wavelet Thresholding kompresuje obrazy MR mózgu i obniża niepotrzebne szumy. Ciało modzelowate jest segmentowane na podstawie obrazów czaszki przy użyciu proponowanego modelu Swin, który został opracowany i przeszkolony. Sugerowany framework jest zaimplementowany w środowisku Python, a wskaźniki takie jak dokładność, przypominanie, precyzja i wynik F1 są analizowane i porównywane z istniejącymi systemami.