Classification of Hand Movement in EEG using ERD/ERS and Multilayer Perceptron

Show simple item record
dc.contributor.authorMochura, Pavel
dc.contributor.authorMautner, Pavel
dc.date.accessioned2021-02-15T11:00:19Z
dc.date.available2021-02-15T11:00:19Z
dc.date.issued2020
dc.description.abstractKontinuální EEG aktivita měřených subjektů obsahuje různé vzorce (grafoelementy), podle toho, jakou činnost měřený subjekt vykonával. ERD a ERS jsou příkladem takových vzorců souvisejících s pohybem ruky, prstů popř. nohy. Tento článek se zabývá detekcí pohybu na základě vzorců ERD/ERS. Z naměřených a předzpracovaných EEG dat se stanoví ERD/ERS, ze které se vytvoří příznakové vektory, které se následně klasifikují neuronovou sítí. Výsledná neuronová síť se skládá z jedné vstupní a jedné výstupní vrstvy a dvou skrytých vrstev. První skrytá vrstva obsahuje 3 000 neuronů a druhá 1 500 neuronů. Pro natrénování neuronové sítě se z naměřených a upravených dat vytvoří trénovací množina příznakových vektorů, pro následnou úpravu vah neuronové sítě během trénování se používá algoritmus zpětného šíření. S tímto nastavením a tréninkem je neuronová síť schopna klasifikovat pohyb v záznamu EEG s průměrnou přesností 79,92%.cs
dc.description.abstract-translatedContinuous EEG activity in the measured subjects includes different patterns depending on what activity the subject performed. ERD and ERS are examples of such patterns related to movement, for example of a hand, finger or foot. This article deals with the detection of motion based on the ERD/ERS patterns. By linking ERD/ERS, feature vectors which are later classified by neural network are created. The resulting neural network consists of one input and one output layer and two hidden layers. The first hidden layer contains 3,000 neurons and the second one 1,500 neurons. A training set of feature vectors is used for the training of this neural network and the back-propagation algorithm is used for the subsequent adjustment of the weights. With this setting and training, the neural network is able to classify motion in an EEG record with an average accuracy of 79.92%.en
dc.format5 s.cs
dc.format.mimetypeapplication/pdf
dc.identifier.citationMOCHURA, P., MAUTNER, P. Classification of Hand Movement in EEG using ERD/ERS and Multilayer Perceptron. In: BIOSTEC 2020. Setúbal: SciTiPress, 2020. s. 713-717. ISBN 978-989-758-398-8, ISSN 2184-4305.cs
dc.identifier.document-number571479400081
dc.identifier.doi10.5220/0009167007130717
dc.identifier.isbn978-989-758-398-8
dc.identifier.issn2184-4305
dc.identifier.obd43931747
dc.identifier.uri2-s2.0-85083726196
dc.identifier.urihttp://hdl.handle.net/11025/42692
dc.language.isoenen
dc.project.IDSGS-2019-018/Zpracování heterogenních dat a jejich specializované aplikacecs
dc.publisherSciTiPressen
dc.relation.ispartofseriesBiostec 2020en
dc.rightsPlný text je přístupný v rámci univerzity přihlášeným uživatelům.cs
dc.rights© SciTiPressen
dc.rights.accessrestrictedAccessen
dc.subjectEncefalografiecs
dc.subjectERD/ERScs
dc.subjectneuronové sítěcs
dc.subjectklasifikace EEG signálucs
dc.subjectpříznakový vektorcs
dc.subject.translatedElectroencephalographyen
dc.subject.translatedERD/ERSen
dc.subject.translatedNeural Networken
dc.subject.translatedEEG Signal Classificationen
dc.subject.translatedFeature Vectors.en
dc.titleClassification of Hand Movement in EEG using ERD/ERS and Multilayer Perceptronen
dc.title.alternativeKlasifikace pohybu ruky z EEG dat na bázi ERD/ERS vícevrstvým perceprtronemcs
dc.typekonferenční příspěvekcs
dc.typeconferenceObjecten
dc.type.statusPeer-revieweden
dc.type.versionpublishedVersionen

Files

Collections

OBD
 Conference Papers (KIV)
 OPEN License Selector