CCL

Összesen 5 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
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:BIBFORM108683
035-os BibID:(Cikkazonosító)1932 (WoS)000941838200001 (Scopus)85148970625
Első szerző:Xie, Yu
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:

3.

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:

4.

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:

5.

001-es BibID:BIBFORM092070
Első szerző:Xie, Yu
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 v8.2.27 © 2023 Monguz kft. Minden jog fenntartva.