Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Interactive Visualization of Big Data Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Appling of Neural Networks to Classification of Brain-Computer Interface Data

verfasst von : Malgorzata Plechawska-Wojcik, Piotr Wolszczak

Erschienen in: Beyond Databases, Architectures and Structures. Advanced Technologies for Data Mining and Knowledge Discovery

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The paper presents application of neural networks to the construction of a brain-computer interface (BCI) based on the Motor Imagery paradigm. The BCI was constructed for ten electroencephalographic (EEG) signals collected and analysed in real time.The filtered signals were divided into three groups corresponding to the information displayed to users on the screen during the experiments. ANOVA analysis and automatic construction of a neural network (NN) classification were also performed. Results of the ANOVA analysis were confirmed by the neural networks efficiency analysis. The efficiency of NN classification of the left and right hemisphere activities reached almost 70 %.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Architectural Challenges of Genotype-Phenotype Data Management
Nächstes Kapitel Content Modelling in Radiological Social Network Collaboration
Literatur
1.
An, X., Kuang, D., Guo, X., Zhao, Y., He, L.: A deep learning method for classification of EEG data based on motor imagery. In: Huang, D.-S., Han, K., Gromiha, M. (eds.) ICIC 2014. LNCS, vol. 8590, pp. 203–210. Springer, Heidelberg (2014)
2.
Barbati, G., Porcaro, C., Zappasodi, F., Rossini, P., Tecchio, F.: Optimization of an independent component analysis approach for artifact identification and removal in magnetoencephalographic signals. Clin. Neurophysiol. 115, 1220–1232 (2004)CrossRef
3.
Blinowska, K., Kaminski, M.: Multivariate signal analysis by parametric models. In: Schelter, B., Winterhalder, M., Timmer, J. (eds.) Handbook of Time SeriesAnalysis. WILEY-VCH Verlag GmbH & Co. KGaA, Weinheim (2006)
4.
Bromfield, E., Cavazos, J., Sirven, J.: Basic mechanisms underlying seizures and epilepsy. In: An Introduction to Epilepsy (2006)
5.
Broniec-Wojcik, A.: Ph.D. dissertation. AGH, Krakow (2013)
6.
Cho, B., Lee, J., Ku, J., Jang, D., Kim, J., Kim, I., Kim, S.: Attention enhancement system using virtual reality and EEG biofeedback. In: Virtual Reality, Proceedings, IEEE, pp. 156–163 (2002)
7.
Croft, R., Barry, R.: Eog correction: a new perspective. Electroencephalogr. Clin. Neurophysiol. 107, 387–394 (1998)CrossRef
8.
Croft, R., Barry, R.: Removal of ocular artifact from the EEG: a review. Neuro. Physiol. Clin. 30, 5–19 (2000)
9.
Diab, M., Ismail, G., Al-Jawha, M., Hsaiky, A., Moslem, B., Sabbah, M., Taha, M.: Biofeedback for epilepsy treatment. In: Mechatronics and its Applications (ISMA), pp. 1–4. IEEE (2012)
10.
Geethanjali, P., Mohan, Y., Sen, J.: Time domain feature extraction and classification of eeg data for brain computer interface. In: 2012 9th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD). IEEE (2012)
11.
Joyce, C., Gorodnitsky, I., Kutas, M.: Automatic removal of eye movement and blink artifacts from EEG data using blind component separation. Psychophysiol. 41, 313–325 (2004)CrossRef
12.
Jung, T., Makeig, S., Humphries, C., Lee, T.W., Mckeown, M.J., Iragui, V., Sejnowski, T.J.: Removingelectroencephalographic artifacts by blind source separation. Psychophysiol. 37, 163–178 (2000)CrossRef
13.
al-Ketbi, O., Conrad, M.: Supervised ANN vs. unsupervised SOM to classify EEG data for BCI: Why can GMDH do better? Int. J. Comput. Appl. 74(4), 37–44 (2013)
14.
Kornhuber, H.H., Deecke, L.: Changes in human brain potentials before and after voluntary movement studied by recording on magnetic tape and reverse analysis (1964)
15.
Koronacki, J., Cwik, J.: Statisticcal learning systems (in Polish: Statystyczne systemy uczace sie), Exit (2008)
16.
Lee, S., Abibullaev, B., Kang, W., Shin, Y., An, J.: Analysis of attention deficit hyperactivity disorder in EEG using wavelet transform and self organizing maps. In: Control Automation and Systems (ICCAS), pp. 2439–2442 (2010)
17.
Mingyu, L., Jue, W., Nan, Y., Qin, Y.: Development of EEG biofeedback system based on virtual reality environment. In: Engineering in Medicine and Biology Society, pp. 5362–5364 (2005)
18.
Neuper, C., Miller, G., Kebler, A., Birbaumer, N., Pfurtscheller, G.: Clinical application of an eeg-based brain-computer interface: a case study in a patient with severe motor impairment. Clin. Neurophysiol. 114(3), 399–409 (2003)CrossRef
19.
Nowak-Brzezińska, A., Jach, T.: The incompleteness factor method as a support of inference in decision support systems. In: Kozielski, S., Mrozek, D., Kasprowski, P., Małysiak-Mrozek, B. (eds.) BDAS 2014. CCIS, vol. 424, pp. 201–210. Springer, Heidelberg (2014)CrossRef
20.
Pfurtscheller, G., Neuper, C.: Motor imagery and direct brain-computer communication. Proc. IEEE 89(7), 1123–1134 (2001)CrossRef
21.
Pfurtscheller, G., da Silva, L.: Functional Meaning of Event-Related Desynchronization (ERD) and Synchronization (ERS), pp. 51–65 (1999)
22.
Shim, B., Lee, S.W., Shin., J.H.: Implementation of a 3-dimensional game fordeveloping balanced brainwave. In: Software Engineering Research, Management & Applications, SERA 2007 (2007)
23.
Suresh, K., Heng, J.: Quantitative eeg parameters for monitoring and biofeedback during rehabilitation after stroke. In: IEEE/ASME International Conference on Advanced Intelligent Mechatronics (2009)
24.
Van Vliet, M., Robben, A., Chumerin, N., Manyakov, N., Combaz, A., Van Hulle, M.: Designing a brain-computer interface controlled video-game using consumer grade EEG hardware. In: Biosignals and Biorobotics Conference (BRC 2012), pp. 1–6. ISSNIP (2012)
25.
Vidal, J.: Toward direct brain-computer communication. Ann. Rev. Biophys. Bioeng. 2(1), 157–180 (1973)CrossRef
26.
Wolpaw, J., Birbaumer, N., Heetderks, W., McFarland, D., Peckham, P., Schalk, G., Vaughan, T.: Brain-computer interface technology: a review of the firstinternational meeting. IEEE Trans. Rehabil. Eng. 8(2), 164–173 (2000)CrossRef
27.
Żbikowski, K.: Time series forecasting with volume weighted support vector machines. In: Kozielski, S., Mrozek, D., Kasprowski, P., Małysiak-Mrozek, B. (eds.) BDAS 2014. CCIS, vol. 424, pp. 250–258. Springer, Heidelberg (2014)CrossRef
28.
Zielosko, B.: Optimization of inhibitory decision rules relative to coverage - comparative studys. In: Kozielski, S., Mrozek, D., Kasprowski, P., Małysiak-Mrozek, B., Kostrzewa, D. (eds.) BDAS 2014. CCIS, vol. 521, pp. 267–276. Springer, Heidelberg (2014)
Metadaten
Titel
Appling of Neural Networks to Classification of Brain-Computer Interface Data
verfasst von
Malgorzata Plechawska-Wojcik
Piotr Wolszczak
Copyright-Jahr
2016
Buch
Beyond Databases, Architectures and Structures. Advanced Technologies for Data Mining and Knowledge Discovery

Print ISBN: 978-3-319-34098-2

Electronic ISBN: 978-3-319-34099-9

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-34099-9_37

Premium Partner

    Bildnachweise