Evaluation of convolutional neural networks using a large multi-subject P300 dataset
| dc.contributor.author | Vařeka, Lukáš | |
| dc.date.accessioned | 2021-02-08T11:00:24Z | |
| dc.date.available | 2021-02-08T11:00:24Z | |
| dc.date.issued | 2020 | |
| dc.description.abstract | Hluboké neuronové sítě (DNN) se zkoumají v různých aplikacích strojového učení. Klasifikace evokovaných potenciálů (ERP) je velmi složitý úkol, potenciálně vhodný pro DNN, protože poměr signál-šum je nízký a související prostorové a časové příznaky vykazují výraznou variabilitu. Konvoluční neuronové sítě (CNN) byly srovnány s nejlepšími tradičními modely, tj. s lineární diskriminační analýzou (LDA) a Support Vector Machines (SVM) pro single-trial klasifikaci s využitím rozsáhlého veřejně dostupného P300 datasetu dětí školního věku (138 chlapců a 112 dívek). Úspěšnost klasifikace u všech testovaných klasifikačních modelů se pohybovala mezi 62 % a 64 %. Při nasazení natrénovaných klasifikačních modelů na zprůměrované ERP odpovědi se přesnost zvýšila na 76 – 79 % bez významných rozdílů mezi klasifikačními modely. CNN nevedla k lepším výsledkům než ostatní algoritmy. Diskuze srovnává výsledky s dostupnou literaturou, řeší omezení a budoucí směřování výzkumu. | cs |
| dc.description.abstract-translated | Deep neural networks (DNN) have been studied in various machine learning areas. For example, event-related potential (ERP) signal classification is a highly complex task potentially suitable for DNN as signal-to-noise ratio is low, and underlying spatial and temporal patterns display a large intra- and intersubject variability. Convolutional neural networks (CNN) have been compared with baseline traditional models, i.e. linear discriminant analysis (LDA) and support vector machines (SVM) for single trial classification using a large multi-subject publicly available P300 dataset of school-age children (138 males and 112 females). For single trial classification, classification accuracy stayed between 62% and 64% for all tested classification models. When applying the trained classification models to averaged trials, accuracy increased to 76–79% without significant differences among classification models. CNN did not prove superior to baseline for the tested dataset. Comparison with related literature, limitations and future directions are discussed. | en |
| dc.format | 7 s. | cs |
| dc.format.mimetype | application/pdf | |
| dc.identifier.citation | VAŘEKA, L. Evaluation of convolutional neural networks using a large multi-subject P300 dataset. Biomedical Signal Processing and Control, 2020, roč. 58, č. APR 2020, s. 1-7. ISSN 1746-8094. | cs |
| dc.identifier.document-number | 518869700013 | |
| dc.identifier.doi | 10.1016/j.bspc.2019.101837 | |
| dc.identifier.issn | 1746-8094 | |
| dc.identifier.obd | 43928271 | |
| dc.identifier.uri | 2-s2.0-85077454141 | |
| dc.identifier.uri | http://hdl.handle.net/11025/42605 | |
| dc.language.iso | en | en |
| dc.project.ID | LO1506/PUNTIS - Podpora udržitelnosti centra NTIS - Nové technologie pro informační společnost | cs |
| dc.publisher | Elsevier | en |
| dc.relation.ispartofseries | Biomedical Signal Processing and Control | en |
| dc.rights | © Elsevier | en |
| dc.rights.access | openAccess | en |
| dc.subject | konvoluční neuronové sítě | cs |
| dc.subject | evokované potenciály | cs |
| dc.subject | P300 | cs |
| dc.subject | BC | cs |
| dc.subject | LDA | cs |
| dc.subject | strojové učení | cs |
| dc.subject.translated | convolutional neural networks | en |
| dc.subject.translated | event-related potentials | en |
| dc.subject.translated | P300 | en |
| dc.subject.translated | BC | en |
| dc.subject.translated | LDA | en |
| dc.subject.translated | machine learning | en |
| dc.title | Evaluation of convolutional neural networks using a large multi-subject P300 dataset | en |
| dc.title.alternative | Vyhodnocení konvolučních neuronových sítí s využitím rozsáhlého datasetu P300 vln | cs |
| dc.type | článek | cs |
| dc.type | article | en |
| dc.type.status | Peer-reviewed | en |
| dc.type.version | publishedVersion | en |