CCL

Összesen 9 találat.
#/oldal:
Részletezés:
Rendezés:

1.

001-es BibID:BIBFORM098198
035-os BibID:(WoS)000654007400015 (Scopus)85107456498
Első szerző:Majoros Tamás (mérnök, informatikus)
Cím:Motor imagery EEG classification using feedforward neural network / Majoros Tamás, Oniga Stefan, Xie Yu
Dátum:2021
ISSN:1787-5021 1787-6117
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény hazai lapban
folyóiratcikk
Megjelenés:Annales Mathematicae et Informaticae. - 53 (2021), p. 235-244. -
További szerzők:Oniga István László (1960-) (villamosmérnök) Xie, Yu (1994-) (Computer Science Engineering)
Pályázati támogatás:EFOP-3.6.3-VEKOP-16-2017-00002
EFOP
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

2.

001-es BibID:BIBFORM132035
035-os BibID:(Scopus)105008994759
Első szerző:Xie, Yu (Computer Science Engineering)
Cím:Cross-task EEG signal classification method based on transfer learning / Yu Xie, Stefan Oniga
Dátum:2025
Megjegyzések:Electroencephalogram (EEG)-based brain-computer interface (BCI) technology has great application prospects in various fields. However, its development is restricted by the high cost and limited accessibility of annotated EEG datasets for specific task applications. This study explores the application of transfer learning to transfer features learned from an eye state detection task to a motor imagery task. To achieve this goal, two transfer learning models based on convolutional neural networks (CNNs) are proposed and evaluated under conditions involving different amounts of labeled data. The results show that transfer learning reduces the dependence on a large number of labeled datasets and improves classification accuracy with a small amount of training data.
ISBN:9798331501273
Tárgyszavak:Műszaki tudományok Informatikai tudományok előadáskivonat
könyvrészlet
EEG
Transfer learning
motor imagery
eye state detection
Convolutional Neural Networks
Megjelenés:26th International Carpathian Control Conference (ICCC). - Epub ahead of print, p. 1-4. -
További szerzők:Oniga István László (1960-) (villamosmérnök)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

3.

001-es BibID:BIBFORM126075
035-os BibID:(Scopus)85206345872 (WOS)001332183600001
Első szerző:Xie, Yu (Computer Science Engineering)
Cím:Enhancing Motor Imagery Classification in Brain-Computer Interfaces Using Deep Learning and Continuous Wavelet Transform / Yu Xie, Stefan Oniga
Dátum:2024
ISSN:2076-3417
Megjegyzések:In brain-computerinterface (BCI) systems, motorimagery(MI)electroencephalogram(EEG) is widely used to interpret the human brain. However, MI classification is challenging due to weak signals and a lack of high-quality data. While deep learning (DL) methods have shown significant success in pattern recognition, their application to MI-based BCI systems remains limited. To address these challenges, we propose a novel deep learning algorithm that leverages EEG signal features through a two-branch parallel convolutional neural network (CNN). Our approach incorporates different input signals, such as continuous wavelet transform, short-time Fourier transform, and commonspatial patterns, and employs various classifiers, including support vector machines and decision trees, to enhance system performance. We evaluate our algorithm using the BCI Competition IV dataset 2B, comparing it with other state-of-the-art methods. Our results demonstrate that the proposed method excels in classification accuracy, offering improvements for MI-based BCI systems.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
EEG signal analysis
continuous wavelet transform
convolutional neural networks
feature extraction
Megjelenés:Applied Sciences-Basel. - 14 : 19 (2024), p. 1-16. -
További szerzők:Oniga István László (1960-) (villamosmérnök)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

4.

001-es BibID:BIBFORM126073
035-os BibID:(Scopus)85203866850 (WOS)001311667300001
Első szerző:Xie, Yu (Computer Science Engineering)
Cím:A Comprehensive Review of Hardware Acceleration Techniques and Convolutional Neural Networks for EEG Signals / Yu Xie, Stefan Oniga
Dátum:2024
ISSN:1424-8220
Megjegyzések:This paper comprehensively reviews hardware acceleration techniques and the deployment of convolutional neural networks (CNNs) for analyzing electroencephalogram (EEG) signals across various application areas, including emotion classification, motor imagery, epilepsy detection, and sleep monitoring. Previous reviews on EEG have mainly focused on software solutions. However, these reviews often overlook key challenges associated with hardware implementation, such as scenarios that require a small size, low power, high security, and high accuracy. This paper discusses the challenges and opportunities of hardware acceleration for wearable EEG devices by focusing on these aspects. Specifically, this review classifies EEG signal features into five groups and discusses hardware implementation solutions for each category in detail, providing insights into the most suitable hardware acceleration strategies for various application scenarios. In addition, it explores the complexity of efficient CNN architectures for EEG signals, including techniques such as pruning, quantization, tensor decomposition, knowledge distillation, and neural architecture search. To the best of our knowledge, this is the first systematic review that combines CNN hardware solutions with EEG signal processing. By providing a comprehensive analysis of current challenges and a roadmap for future research, this paper provides a new perspective on the ongoing development of hardware-accelerated EEG systems.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
EEG signal analysis
convolutional neural networks
feature extraction
hardware acceleration
Megjelenés:Sensors. - 24 : 17 (2024), p. 1-28. -
További szerzők:Oniga István László (1960-) (villamosmérnök)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

5.

001-es BibID:BIBFORM108683
035-os BibID:(WoS)000941838200001 (Scopus)85148970625
Első szerző:Xie, Yu (Computer Science Engineering)
Cím:Classification of Motor Imagery EEG Signals Based on Data Augmentation and Convolutional Neural Networks / Yu Xie, Stefan Oniga
Dátum:2023
ISSN:1424-8220
Megjegyzések:In brain-computer interface (BCI) systems, motor imagery electroencephalography (MIEEG) signals are commonly used to detect participant intent. Many factors, including low signal-tonoise ratios and few high-quality samples, make MI classification difficult. In order for BCI systems to function, MI-EEG signals must be studied. In pattern recognition and other fields, deep learning approaches have recently been successfully applied. In contrast, few effective deep learning algorithms have been applied to BCI systems, especially MI-based systems. In this paper, we address these problems from two aspects based on the characteristics of EEG signals: first, we proposed a combined time-frequency domain data enhancement method. This method guarantees that the size of the training data is effectively increased while maintaining the intrinsic composition of the data. Second, our design consists of a parallel CNN that takes both raw EEG images and images transformed through continuous wavelet transform (CWT) as inputs. We conducted classification experiments on a public data set to verify the effectiveness of the algorithm. According to experimental results based on the BCI Competition IV Dataset2a, the average classification accuracy is 97.61%. A comparison of the proposed algorithm with other algorithms shows that it performs better in classification. The algorithm can be used to improve the classification performance of MI-based BCIs and BCI systems created for people with disabilities.
Tárgyszavak:Műszaki tudományok Villamosmérnöki tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
motor imagery (MI)
electroencephalogram (EEG)
data augmentation (DA)
convolutional neural network (CNN)
Megjelenés:Sensors. - 23 : 4 (2023), p. 1-16. -
További szerzők:Oniga István László (1960-) (villamosmérnök)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

6.

001-es BibID:BIBFORM103467
035-os BibID:(WOS)000839136900001 (Scopus)85136795523
Első szerző:Xie, Yu (Computer Science Engineering)
Cím:FPGA-Based Hardware Accelerator on Portable Equipment for EEG Signal Patterns Recognition / Yu Xie, Tamás Majoros, Stefan Oniga
Dátum:2022
ISSN:2079-9292
Megjegyzések:Electroencephalogram (EEG) is a recording of comprehensive reflection of physiological brain activities. Because of many reasons, however, including noises of heartbeat artifacts and muscular movements, there are complex challenges for efficient EEG signal classification. The Convolutional Neural Networks (CNN) is considered a promising tool for extracting data features. A deep neural network can detect the deeper-level features with a multilayer through nonlinear mapping. However, there are few viable deep learning algorithms applied to BCI systems. This study proposes a more effective acquisition and processing HW-SW method for EEG biosignal. First, we use a consumer-grade EEG acquisition device to record EEG signals. Short-time Fourier transform (STFT) and Continuous Wavelet Transform (CWT) methods will be used for data preprocessing. Compared with other algorithms, the CWT-CNN algorithm shows a better classification accuracy. The research result shows that the best classification accuracy of the CWT-CNN algorithm is 91.65%. On the other side, CNN inference requires many convolution operations. We further propose a lightweight CNN inference hardware accelerator framework to speed up inference calculation, and we verify and evaluate its performance. The proposed framework performs network tasks quickly and precisely while using less logical resources on the PYNQ-Z2 FPGA development board.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
EEG
convolutional neural networks
OpenBCI
PYNQ
inference accelerator
Megjelenés:Electronics (Switzerland). - 11 : 15 (2022), p. 1-15. -
További szerzők:Majoros Tamás (1991-) (mérnök, informatikus) Oniga István László (1960-) (villamosmérnök)
Pályázati támogatás:EFOP-3.6.3-VEKOP-16-2017-00002
EFOP
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

7.

001-es BibID:BIBFORM101955
035-os BibID:(Scopus)85107863090
Első szerző:Xie, Yu (Computer Science Engineering)
Cím:Comparison of EEG Data Processing Using Feedforward and Convolutional Neural Network / Yu Xie, Stefan Oniga, Tamás Majoros
Dátum:2021
ISSN:1613-0073
Tárgyszavak:Műszaki tudományok Informatikai tudományok előadáskivonat
könyvrészlet
Megjelenés:Proceedings of 1st Conference on Information Technology and Data Science (CITDS 2020) / editors István Fazekas, András Hajdu, Tibor Tómács. - p. 279-289. -
További szerzők:Oniga István László (1960-) (villamosmérnök) Majoros Tamás (1991-) (mérnök, informatikus)
Internet cím:Intézményi repozitóriumban (DEA) tárolt változat
Szerző által megadott URL
Borító:

8.

001-es BibID:BIBFORM101951
035-os BibID:(Scopus)85124523782
Első szerző:Xie, Yu (Computer Science Engineering)
Cím:Hardware Implementation of CNN Based on FPGA for EEG Signal Patterns Recognition / Xie Yu, Tamas Majoros, Stefan Oniga
Dátum:2021
ISSN:2575-5145
ISBN:9781665440004
Tárgyszavak:Műszaki tudományok Informatikai tudományok előadáskivonat
könyvrészlet
Megjelenés:International Conference on e-Health and Bioengineering (EHB) / ed. Grigore T. Popa. - p. 1-4. -
További szerzők:Majoros Tamás (1991-) (mérnök, informatikus) Oniga István László (1960-) (villamosmérnök)
Pályázati támogatás:EFOP-3.6.3-VEKOP-16-2017-00002
EFOP
Internet cím:Intézményi repozitóriumban (DEA) tárolt változat
DOI
Szerző által megadott URL
Borító:

9.

001-es BibID:BIBFORM092070
Első szerző:Xie, Yu (Computer Science Engineering)
Cím:A Review of Processing Methods and Classification Algorithm for EEG Signal / Yu Xie, Stefan Oniga
Dátum:2020
ISSN:2343-8908
Megjegyzések:The analysis technique of EEG signals is developing promptly with the evolution of Brain Computer-Interfaces science. The processing and classification algorithm of EEG signals includes three states: pre-processing, feature extraction and classification. The article discusses both conventional and recent processing techniques of EEG signals at the phases of preprocessing, feature extraction and classification. Finally, analyze popular research directions in the future.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
EEG
signal processing
feature extraction
classification
deep learning
Megjelenés:Carpathian Journal of Electronic and Computer Engineering. - 13 : 1 (2020), p. 23-29. -
További szerzők:Oniga István László (1960-) (villamosmérnök)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Rekordok letöltése1 
Corvina könyvtári katalógus v10.11.18-SNAPSHOT © 2024 Monguz kft. Minden jog fenntartva.