Találati lista | Tudóstér

001-es BibID:	BIBFORM123961
035-os BibID:	(WoS)001287238100001 (Scopus)85200723223
Első szerző:	Baranyai Dávid
Cím:	Module Tester for Positron Emission Tomography and Particle Physics / David Baranyai, Stefan Oniga, Balazs Gyongyosi, Balazs Ujvari, Attia Mohamed
Dátum:	2024
ISSN:	2079-9292
Megjegyzések:	The combination of high-density, high-time-resolution inorganic scintillation crystals such as Lutetium Yttrium Oxyorthosilicate (LYSO), Yttrium Orthosilicate (YSO) and Bismuth Germanate (BGO) with Silicon Photomultiplier (SiPM) sensors is widely employed in medical imaging, particularly in Positron Emission Tomography (PET), as well as in modern particle physics detectors for precisely timing sub-detectors and calorimeters. During the assembly of each module, following individual component testing, the crystals and SiPMs are bonded together using optical glue and enclosed in a light-tight, temperature-controlled cooling box. After integration with the readout electronics, the bonding is initially tested. The final readout electronics typically comprise Application-Specific Integrated Circuits (ASICs) or low-power Analog-to-Digital Converters (ADCs) and amplifiers, designed not to heat up the temperature-sensitive SiPM sensors. However, these setups are not optimal for testing the optical bonding. Specific setups were developed to test the LYSO + SiPM modules that are already bonded but not enclosed in a box. Through large data collection, small deviations in bonding can be detected if the SiPMs and LYSOs have been thoroughly tested before our measurement. The Monte Carlo simulations we used to study how parameters - which are difficult to measure in the laboratory (LYSO absorption length, refractive index of the coating) - affect the final result. Our setups for particle physics and PET applications are already in use by research institutes and industrial partners.
Tárgyszavak:	Természettudományok Fizikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk SiPM FPGA PET particle physics
Megjelenés:	Electronics (Switzerland). - 13 : 15 (2024), p. 1-15. -
További szerzők:	Oniga István László (1960-) (villamosmérnök) Gyöngyösi Balázs Ujvári Balázs (1977-) (fizikus) Mohamed, Attia
Pályázati támogatás:	OTKA131991 OTKA OTKA143540 OTKA NKFIH 2021-4.1.2-NEMZ_KI-2022-00022 Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM102885
035-os BibID:	(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:
Saját polcon:

001-es BibID:	BIBFORM103467
035-os BibID:	(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: