Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "elektroencefalogram" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
Metody eliminacji artefaktów w sygnałach EEG
Methods of EEG artifacts elimination
Autorzy:
Plechawska-Wójcik, M.
Powiązania:
https://bibliotekanauki.pl/articles/408247.pdf
Data publikacji:
2015
Wydawca:
Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
Tematy:
elektroencefalogram
pomiar elektroencefalograficzny
pomiar szumu
artefakt EEG
electroencephalogram
electroencephalography measurement
noise measurement
EEG artifacts
Opis:
Rejestracja sygnałów elektroencefalograficznych (EEG) jest niemal zawsze związana z zapisem różnego rodzaju artefaktów, które zaszumianą odczyt i utrudniają analizę zebranych danych. Artefakty te mogą być zauważalne w pojedynczych kanałach, ale bardzo często muszą być korygowane na przestrzeni kilku kanałów jednocześnie. Ich pochodzenie może być różnorodne. Wyróżnia się artefakty sieciowe, sprzętowe jak również kilka rodzajów artefaktów mięśniowych, pochodzących od badanej osoby. W ostatnich latach obserwuje się wzrost zainteresowania badaniami EEG nie tylko w zastosowaniach ambulatoryjnych i klinicznych, ale także w analizach psychologicznych oraz w budowie nowoczesnych interfejsów człowiekmaszyna. Artykuł przedstawia studium przypadku zastosowania analiz klasyfikacyjnych w zagadnieniach korekcji artefaktów sygnału EEG.
Registration of electroencephalography signals (EEG) is almost always associated with recording different kinds of artifacts that makes it difficult to read and analyze collected data. These artifacts may be noticeable in the individual channels, but very often they have to be adjusted over several channels simultaneously. Their origin can be varied. Among the most typical are network and hardware artifacts as well as several types of muscle artifacts, derived from the tested person. In recent years increased interest in EEG studies might be noticed. EEG signals are applied not only in the outpatient and clinical applications, but also in psychological analyses and in construction of modern human-machine interfaces. This article presents a case study of classification analysis application in EEG artifact correction tasks.
Źródło:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2015, 2; 39-46
2083-0157
2391-6761
Pojawia się w:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Personal identification based on brain networks of EEG signals
Autorzy:
Kong, W.
Jiang, B.
Fan, Q.
Zhu, L.
Wei, X.
Powiązania:
https://bibliotekanauki.pl/articles/329856.pdf
Data publikacji:
2018
Wydawca:
Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:
electroencephalogram signal
personal identification
brain network
phase synchronization
elektroencefalogram
identyfikacja osobowa
sieć mózgowa
synchronizacja fazy
Opis:
Personal identification is particularly important in information security. There are numerous advantages of using electroencephalogram (EEG) signals for personal identification, such as uniqueness and anti-deceptiveness. Currently, many researchers focus on single-dataset personal identification, instead of the cross-dataset. In this paper, we propose a method for cross-dataset personal identification based on a brain network of EEG signals. First, brain functional networks are constructed from the phase synchronization values between EEG channels. Then, some attributes of the brain networks including the degree of a node, the clustering coefficient and global efficiency are computed to form a new feature vector. Lastly, we utilize linear discriminant analysis (LDA) to classify the extracted features for personal identification. The performance of the method is quantitatively evaluated on four datasets involving different cognitive tasks: (i) a four-class motor imagery task dataset in BCI Competition IV (2008), (ii) a two-class motor imagery dataset in the BNCI Horizon 2020 project, (iii) a neuromarketing dataset recorded by our laboratory, (iv) a fatigue driving dataset recorded by our laboratory. Empirical results of this paper show that the average identification accuracy of each data set was higher than 0.95 and the best one achieved was 0.99, indicating a promising application in personal identification.
Źródło:
International Journal of Applied Mathematics and Computer Science; 2018, 28, 4; 745-757
1641-876X
2083-8492
Pojawia się w:
International Journal of Applied Mathematics and Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies