Találati lista | Tudóstér

001-es BibID:	BIBFORM102885
035-os BibID:	(cikkazonosító)2293
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:
Saját polcon:

001-es BibID:	BIBFORM103467
035-os BibID:	(Cikkazonosító)2410 (WOS)000839136900001
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:	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:	3.6.3-VEKOP-16-2017-00002 EFOP
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon: