CCL

Összesen 12 találat.
#/oldal:
Részletezés:
Rendezés:

1.

001-es BibID:BIBFORM104370
Első szerző:Majoros Tamás (mérnök, informatikus)
Cím:Elképzelt motoros tevékenységek EEG-alapú osztályozása neurális hálózatok használatával / Majoros Tamás, Oniga István László
Dátum:2022
ISSN:2734-6757
Tárgyszavak:Műszaki tudományok Informatikai tudományok előadáskivonat
könyvrészlet
Megjelenés:XXIII. Energetika-Elektrotechnika - ENELKO és XXXII. Számítástechnika és Oktatás : SzámOkt Multi-konferencia / szerk. Sebestyén-Pál György, Szabó Loránd. - p. 162-167. -
További szerzők:Oniga István László (1960-) (villamosmérnök)
Internet cím:Intézményi repozitóriumban (DEA) tárolt változat
Szerző által megadott URL
Borító:

2.

001-es BibID:BIBFORM102885
035-os BibID:(cikkazonosító)2293 (WoS)000839056400001 (Scopus)85136794110
Első szerző:Majoros Tamás (mérnök, informatikus)
Cím:Overview of the EEG-Based Classification of Motor Imagery Activities Using Machine Learning Methods and Inference Acceleration with FPGA-Based Cards / Majoros Tamás, Oniga Stefan
Dátum:2022
ISSN:2079-9292
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Electronics (Switzerland). - 11 : 15 (2022), p. 1-14. -
További szerzők: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:

3.

001-es BibID:BIBFORM101954
035-os BibID:(Scopus)85115068688
Első szerző:Majoros Tamás (mérnök, informatikus)
Cím:Activity recognition using consumer-grade EEG device / Tamás Majoros, Stefan Oniga
Dátum:2021
ISBN:978-1-6654-2534-6
Tárgyszavak:Műszaki tudományok Informatikai tudományok előadáskivonat
könyvrészlet
Megjelenés:13th International Conference on Electronics, Computers and Artificial Intelligence (ECAI). - p. 1-6. -
További szerzők:Oniga István László (1960-) (villamosmérnök)
Internet cím:Intézményi repozitóriumban (DEA) tárolt változat
DOI
Szerző által megadott URL
Borító:

4.

001-es BibID:BIBFORM101953
035-os BibID:(Scopus)85116288036
Első szerző:Majoros Tamás (mérnök, informatikus)
Cím:Comparison of Motor Imagery EEG Classification using Feedforward and Convolutional Neural Network / Tamás Majoros, Stefan Oniga
Dátum:2021
ISBN:978-1-6654-3299-3
Tárgyszavak:Műszaki tudományok Informatikai tudományok előadáskivonat
könyvrészlet
Megjelenés:IEEE EUROCON 2021 - 19th International Conference on Smart Technologies / ed. Mariya Antyufeyeva. - p. 25-29. -
További szerzők:Oniga István László (1960-) (villamosmérnök)
Internet cím:Intézményi repozitóriumban (DEA) tárolt változat
DOI
Szerző által megadott URL
Borító:

5.

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
Pályázati támogatás:EFOP-3.6.3-VEKOP-16-2017-00002
EFOP
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

6.

001-es BibID:BIBFORM086140
Első szerző:Majoros Tamás (mérnök, informatikus)
Cím:Részecskefizikai detektorban alkalmazott neurális hálózat stabilitási vizsgálata / Majoros Tamás, Ujvári Balázs, Oniga István László
Dátum:2018
Tárgyszavak:Műszaki tudományok Informatikai tudományok előadáskivonat
könyvrészlet
Megjelenés:ENELKO 2018 XIX. Nemzetközi Energetika-Elektrotechnika Konferencia, SzámOkt 2018 XXVIII. Nemzetközi Számítástechnika és Oktatás Konferencia / szerk. Biró Károly-Ágoston, Sebestyén-Pál György, Szabó Loránd. - p. 262-267. -
További szerzők:Ujvári Balázs (1977-) (fizikus) Oniga István László (1960-) (villamosmérnök)
Pályázati támogatás:EFOP-3.6.3-VEKOP-16-2017-00002
EFOP
Internet cím:Intézményi repozitóriumban (DEA) tárolt változat
Borító:

7.

001-es BibID:BIBFORM086138
Első szerző:Majoros Tamás (mérnök, informatikus)
Cím:EEG adatok feldolgozása neurális hálózattal / Majoros Tamás, Ujvári Balázs, Oniga István László
Dátum:2019
Tárgyszavak:Műszaki tudományok Informatikai tudományok előadáskivonat
könyvrészlet
Megjelenés:ENELKO 2019, SzámOkt 2019. - p. 208-213. -
További szerzők:Ujvári Balázs (1977-) (fizikus) Oniga István László (1960-) (villamosmérnök)
Internet cím:Intézményi repozitóriumban (DEA) tárolt változat
Borító:

8.

001-es BibID:BIBFORM085997
Első szerző:Majoros Tamás (mérnök, informatikus)
Cím:EEG data processing with neural network / Tamás Majoros, Balázs Ujvári, Stefan Oniga
Dátum:2019
ISSN:1844-9689 2343-8908
Megjegyzések:Machine-learning techniques allow to extract information from electroencephalographic (EEG) recordings of brain activity. By processing the measurement results of a publicly available EEG dataset, we were able to obtain information that could be used to train a feedforward neural network to classify two types of volunteer activities with high efficiency.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Carpathian Journal of Electronic and Computer Engineering. - 12 : 2 (2019), p. 33-36. -
További szerzők:Ujvári Balázs (1977-) (fizikus) 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:

9.

001-es BibID:BIBFORM115556
035-os BibID:(Scopus)85180022388
Első szerző:Oniga István László (villamosmérnök)
Cím:Implementation considerations for an intelligent embedded e-Health system and experimental results for EEG-based activity recognition / Stefan Oniga, Iuliu Alexandru Pap, Tamas Majoros
Dátum:2023
Megjegyzések:The development of eHealth systems has seen a rise in the past years and eHealth applications are becoming more widespread while improving many healthcare fields such as remote patient monitoring, interactive patient care and various predictions and detections of specific health related problems. This chapter presents the decisions, challenges and solutions that might arise when implementing an eHealth data acquisition system. An advantageous solution for the implementation of an embedded system using a single board computer for the acquisition of biomedical signals from blood pressure sensors, pulse oximeter, airflow sensor, galvanic skin response sensor, temperature sensor, EEG helmet, etc. is presented in this chapter. The acquired data can be transmitted remotely, stored locally or in the cloud, processed and analyzed. The automatic processing and interpretation of the acquired data in order to recognize the health state and detect the deviation from normal patterns can be achieved using shallow and deep neural networks. During the application of automatic evaluation, several problems and questions arise that need to be solved. One of these is what preprocessing of the available data is needed. Another question is necessity of extracting features from the data, and if so, what features they should be. After that, one of the countless machine learning algorithms suitable for solving the task must be chosen. At this step of the procedure, other constraints, such as resource requirements and speed must be considered. Finally, the architecture and parameters of the applied method must be decided. This chapter presents an example of automatic recognition of motor imagery movement activities based on EEG signals using convolutional neural networks. The factors that influence the recognition rate of some activities are presented and four different convolutional neural networks architecture were compared from efficiency point of view.
ISBN:9781032404172
Tárgyszavak:Műszaki tudományok Informatikai tudományok könyvfejezet
könyvrészlet
eHealth
Electroencephalography (EEG)
Remote patient monitoring
Machine learning
Brain computer interface
Activity recognition
Megjelenés:Smart Embedded Systems: Advances and Applications / Arun Sinha, Abhishek Sharma, Luiz Alberto Pasini Melek, Daniele Caviglia. - p. 33-55. -
További szerzők:Pap, Iuliu Alexandru Majoros Tamás (1991-) (mérnök, informatikus)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

10.

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:

11.

001-es BibID:BIBFORM101955
035-os BibID:(Scopus)85107863090
Első szerző:Xie, Yu
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:

12.

001-es BibID:BIBFORM101951
035-os BibID:(Scopus)85124523782
Első szerző:Yu, Xie
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:
Rekordok letöltése1