Magyar
Toggle navigation
Tudóstér
Magyar
Tudóstér
Keresés
Egyszerű keresés
Összetett keresés
CCL keresés
Egyszerű keresés
Összetett keresés
CCL keresés
Böngészés
Saját polc tartalma
(
0
)
Korábbi keresések
Összesen 1 találat.
#/oldal:
12
36
60
120
Rövid
Hosszú
MARC
Részletezés:
Rendezés:
Szerző növekvő
Szerző csökkenő
Cím növekvő
Cím csökkenő
Dátum növekvő
Dátum csökkenő
1.
001-es BibID:
BIBFORM103467
035-os BibID:
(Cikkazonosító)2410 (WOS)000839136900001 (Scopus)85136795523
Első szerző:
Xie, Yu
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:
Saját polcon:
Rekordok letöltése
1
Corvina könyvtári katalógus v8.2.27
© 2023
Monguz kft.
Minden jog fenntartva.