Czasopisma
Czasopisma
Czasopisma
ATEST - OCHRONA PRACY
ATEST - OCHRONA PRACY
AURA
AURA
AUTO MOTO SERWIS
AUTO MOTO SERWIS
CHEMIK
CHEMIK
CHŁODNICTWO
CHŁODNICTWO
CIEPŁOWNICTWO, OGRZEWNICTWO, WENTYLACJA
CIEPŁOWNICTWO, OGRZEWNICTWO, WENTYLACJA
DOZÓR TECHNICZNY
DOZÓR TECHNICZNY
ELEKTROINSTALATOR
ELEKTROINSTALATOR
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA
Czasopisma
Czasopisma
Czasopisma
GAZETA CUKROWNICZA
GAZETA CUKROWNICZA
GAZ, WODA I TECHNIKA SANITARNA
GAZ, WODA I TECHNIKA SANITARNA
GOSPODARKA MIĘSNA
GOSPODARKA MIĘSNA
GOSPODARKA WODNA
GOSPODARKA WODNA
HUTNIK - WIADOMOŚCI HUTNICZE
HUTNIK - WIADOMOŚCI HUTNICZE
INŻYNIERIA MATERIAŁOWA
INŻYNIERIA MATERIAŁOWA
MASZYNY, TECHNOLOGIE, MATERIAŁY - TECHNIKA ZAGRANICZNA
MASZYNY, TECHNOLOGIE, MATERIAŁY - TECHNIKA ZAGRANICZNA
MATERIAŁY BUDOWLANE
MATERIAŁY BUDOWLANE
OCHRONA PRZECIWPOŻAROWA
OCHRONA PRZECIWPOŻAROWA
OCHRONA PRZED KOROZJĄ
OCHRONA PRZED KOROZJĄ
Czasopisma
Czasopisma
Czasopisma
ODZIEŻ
ODZIEŻ
OPAKOWANIE
OPAKOWANIE
PACKAGING REVIEW
PACKAGING REVIEW
POLISH TECHNICAL REVIEW
POLISH TECHNICAL REVIEW
PROBLEMY JAKOŚCI
PROBLEMY JAKOŚCI
PRZEGLĄD ELEKTROTECHNICZNY
PRZEGLĄD ELEKTROTECHNICZNY
PRZEGLĄD GASTRONOMICZNY
PRZEGLĄD GASTRONOMICZNY
PRZEGLĄD GEODEZYJNY
PRZEGLĄD GEODEZYJNY
PRZEGLĄD MECHANICZNY
PRZEGLĄD MECHANICZNY
PRZEGLĄD PAPIERNICZY
PRZEGLĄD PAPIERNICZY
Czasopisma
Czasopisma
Czasopisma
PRZEGLĄD PIEKARSKI I CUKIERNICZY
PRZEGLĄD PIEKARSKI I CUKIERNICZY
PRZEGLĄD TECHNICZNY. GAZETA INŻYNIERSKA
PRZEGLĄD TECHNICZNY. GAZETA INŻYNIERSKA
PRZEGLĄD TELEKOMUNIKACYJNY - WIADOMOŚCI TELEKOMUNIKACYJNE
PRZEGLĄD TELEKOMUNIKACYJNY - WIADOMOŚCI TELEKOMUNIKACYJNE
PRZEGLĄD WŁÓKIENNICZY - WŁÓKNO, ODZIEŻ, SKÓRA
PRZEGLĄD WŁÓKIENNICZY - WŁÓKNO, ODZIEŻ, SKÓRA
PRZEGLĄD ZBOŻOWO-MŁYNARSKI
PRZEGLĄD ZBOŻOWO-MŁYNARSKI
PRZEMYSŁ CHEMICZNY
PRZEMYSŁ CHEMICZNY
PRZEMYSŁ FERMENTACYJNY I OWOCOWO-WARZYWNY
PRZEMYSŁ FERMENTACYJNY I OWOCOWO-WARZYWNY
PRZEMYSŁ SPOŻYWCZY
PRZEMYSŁ SPOŻYWCZY
RUDY I METALE NIEŻELAZNE
RUDY I METALE NIEŻELAZNE
SZKŁO I CERAMIKA
SZKŁO I CERAMIKA
TECHNOLOGIA I AUTOMATYZACJA MONTAŻU
TECHNOLOGIA I AUTOMATYZACJA MONTAŻU
WIADOMOŚCI ELEKTROTECHNICZNE
WIADOMOŚCI ELEKTROTECHNICZNE
WOKÓŁ PŁYTEK CERAMICZNYCH
WOKÓŁ PŁYTEK CERAMICZNYCH
Menu
Menu
Menu
Prenumerata
Prenumerata
Publikacje
Publikacje
Drukarnia
Drukarnia
Kolportaż
Kolportaż
Reklama
Reklama
O nas
O nas
ui-button
Twój Koszyk
Twój koszyk jest pusty.
Niezalogowany
Niezalogowany
Zaloguj się
Zarejestruj się
Reset hasła
Czasopismo
|
PRZEGLĄD ELEKTROTECHNICZNY
|
Rocznik 2021 - zeszyt 11
Review of solutions for the application of example of machine learning methods for Motor Imagery in correlation with Brain-Computer Interfaces
10.15199/48.2021.11.20
Szczepan PASZKIEL
Ryszard ROJEK
Ningrong LEI
Maria Antonio CASTRO
nr katalogowy: 134132
10.15199/48.2021.11.20
Streszczenie
Presently, numerous public databases presenting the collected EEG signals, including the ones in the scope of Motor Imagery (MI), are available. Simultaneously, machine-learning methods, which enable effective and fast discovering of information, also in the sets of biomedical data, are constantly being developed. In this paper, a set of 30 of some of the latest scientific publications from the years 2016-2021 has been analyzed. The analysis covered, among others: public data repositories in the form of EEG signals as input data; numbers and types of the analyzed tasks in the scope of MI in the above-mentioned databases; and Deep Learning (DL) architectures.
Abstract
Obecnie dostępne są liczne ogólnodostępne bazy danych prezentujące zebrane sygnały EEG, w tym z zakresu obrazowania motorycznego (MI). Jednocześnie stale rozwijane są metody uczenia maszynowego, które umożliwiają efektywne i szybkie odkrywanie informacji, także w zbiorach danych biomedycznych. W niniejszym artyule przeanalizowano zestaw 30 spośród najnowszych publikacji naukowych z lat 2016- 2021. Analizie poddano m.in.: publiczne repozytoria danych w postaci sygnałów EEG jako dane wejściowe; liczby i rodzaje analizowanych zadań z zakresu obrazowania motorycznego w ww. bazach; i architektury Deep Learning (DL). (Przegląd rozwiązań do zastosowania metod uczenia maszynowego na potrzeby obrazowania motorycznego w korelacji z interfejsami mózg-komputer).
Słowa kluczowe
Motor Imagery
EEG
BCI
machine learning
deep learning
deep neural networks.
Keywords
obrazowanie motoryczne
EEG
BCI
uczenie maszynowe
głębokie uczenie
głębokie sieci neuronowe.
Bibliografia
1. Paszkiel S., Sikora M.: The Use of Brain-Computer Interface to Control Unmanned Aerial Vehicle, Automation 2019: Progress In Automation, Robotics And Measurement Techniques, Edited by: Szewczyk, R; Zielinski, C; Kaliczynska, M, Book Series: Advances in Intelligent Systems and Computing, Volume: 920, (2020), pp. 583-598 2. Paszkiel S., Control based on brain-computer interface technology for video-gaming with virtual reality techniques, Journal of Automation, Mobile Robotics & Intelligent Systems, (2016), VOLUME 10, N° 4, DOI: 10.14313/JAMRIS_4-2016/26, pp. 3-7 3. Al-Qaysi Z.T., Zaidan B.B., Zaidan A. A. et al., Review of the EEG-based wheelchair control system: Consistent taxonomy, open challenges and recommendations, Comput. Methods Biomed Programs. 164 (2018) pp. 221–237 4. Sitaram R., Zhang H., Guan C. et al., Time classification of multichannel near-infrared spectroscopy signals for motor images for brain-computer interface development, Neuroimage 34 (4) (2007) pp. 1416–1427 5. Vourvopoulos A., Badia S.B.I, Liarokapis F., EEG correlates of video game experience and user profile in motor-imagerybased brain – computer interaction, Vis. Comput. 33 (4) (2017) pp. 533-546 6. Wang Z., Yu Y., Xu M., et al., Towards a hybrid BCI gaming paradigm based on Motor Imagery and SSVEP, Int. Journal Hum. – Comput. Interact. 35 (3) (2019) pp. 97-205 7. Zhu X. et al., Separated channel convolutional neural network to realize the training free Motor Imagery BCI systems Biomedical Signal Processing 49 (2019); pp. 396– 403 8. Wu H. et al. A parallel multiscale filter bank convolutional neural networks for Motor Imagery EEG classification, Frontiers Neurosciences 13 (2019); pp. 1–9 9. Li Y. et al. A channel-projection mixed-scale convolutional neural network for Motor Imagery EEG decoding, Transactions on Neural Systems and Rehabilitation Engineering 27 (2019); pp. 1170–1180 10. Tayeb Z. et al., Validating deep neural networks for online decoding of Motor Imagery movements from eeg signals, Sensors MDPI, 19 (1) (2019) 11. Zhang D. et al., Making sense of spatio-temporal preserving representations for EEG-Based human intention recognition, Transactions on Cybernetics (2019); pp. 1–12 12. Li F. et al., A novel simplified convolutional neural network classification algorithm of Motor Imagery EEG signals based on DL, Applied Sciences MDPI, 10 (2020) 1605 13. Tang X. et al., Motor imagery EEG recognition based on conditional optimization empirical mode decomposition and multi-scale convolutional neural network, Artificial Intelligence in Medicine 101 (2019); 101747 14. Dai G. et al., HS-CNN: a CNN with hybrid convolution scale for EEG Motor Imagery classification, Journal of Neural Engineering 17 (1) (2020) 15. Olivas-Padilla B.E. et al., Classification of multiple Motor Imagery using deep convolutional neural networks and spatial filters, Applied Soft Computuing Journal 75 (2019); pp. 461–472 16. Xu G. et al., A deep transfer convolutional neural network framework for EEG signal classification, Access 7 (2019) 112767–112776, https://doi.org/ 10.1109/access.2019.2930958 17. Li D. et al., Densely feature fusion based on convolutional neural networks for Motor Imagery EEG classification, Access 7 (2019); pp. 132720–132730 18. Amin S.U. et al., Multilevel weighted feature fusion using convolutional neural networks for EEG Motor Imagery classification, Connected Health in Smart Cities, 2020, pp. 233–254 19. Tabar Y.R., A novel DL approach for classification of EEG Motor Imagery signals, Journal Neural Engineering 14 (1) (2016) 16003 20. Schirrmeister R.T., DL with convolutional neural networks for EEG decoding and visualization, Wiley, UK, (2017) 21. Zhang R. et al., A novel hybrid DL scheme for four-class Motor Imagery classification, Signal Processing in Medicine and Biology Symposium, SPMB (2017); pp. 1–7 22. Dai M., EEG classification of Motor Imagery using a novel DL framework, Sensors MDPI 19 (3) (2019) 1–16 23. Majidov I. et al., Efficient classification of Motor Imagery electroencephalography signals using DL methods, Sensors MDPI 19 (2019); pp. 1–13 24. Xu B. et al., Wavelet transform time-frequency image and convolutional network-based Motor Imagery EEG classification, Access 7 (2019); pp. 6084–6093 25. Ha K.W. et al., Motor imagery EEG classification using capsule networks, Sensors MDPI 19 (13) (2019) 2854 26. Hassanpour A. et al., A novel end-to-end DL scheme for classifying multi-class Motor Imagery electroencephalography signals, Expert Systems (2019); pp. 1–21 27. Tang X. et al., Semisupervised deep stacking network with adaptive learning rate strategy for Motor Imagery eeg recognition, Neural Computing 31 (2019); pp. 919–942 28. Wang P. et al., LSTM-based EEG classification in Motor Imagery tasks, Transactions on Neural Systems and Rehabilitation Engineering 26 (11) (2018) pp. 2086–2095 29. Lu N. et al., A DL scheme for Motor Imagery classification based on restricted boltzmann machines, Trans. Neural Syst. Rehabil. Eng. 25 (2017); pp. 566–576, https://doi.org/10.1109/ TNSRE.2016.2601240 30. Zhang K. et al., Adaptive transfer learning for EEG Motor Imagery classification with deep Convolutional Neural Network, Neural Networks (2021); 136, pp. 1-10 31. Zhang R. et al., Hybrid deep neural network using transfer learning for EEG Motor Imagery decoding, Biomedical Signal Processing and Control, Volume 63, (2021); pp. 102-144 32. She Q. et al., A hierarchical semi-supervised extreme learning machine method for EEG recognition, Medicine Biolology Engineering Computing 57 (2019); pp. 147–157 33. Luo T. et al., Exploring spatial-frequency-sequential relationships for Motor Imagery classification with recurrent neural network, BMC Bioinformatics 19 (2018); pp. 1–18 34. Chaudhary S., et al., Convolutional neural network based approach towards Motor Imagery tasks EEG signals classification, Sensors Journal 19 (2019); pp. 4494–4500 35. Lawhern V., et al., EEGNet: a compact convolutional neural network for EEG-based brain-computer interfaces, Journal Neural Engineering 15 (2018); pp. 1–30 36. Taheri S., et al., Convolutional neural network based features for Motor Imagery EEG signals classification in braincomputer interface system, SN Applied Sciences MDPI 2 (2020) 37. Paszkiel S., Dobrakowski P., Brain-computer technology based training system in the field of Motor Imagery, IET Science Measurement and Technology, WILEY, London, UK (2020), pp. 1014 – 1018
Treść płatna
Jeśli masz wykupiony/przyznany dostęp -
zaloguj się
.
Skorzystaj z naszych propozycji zakupu!
Publikacja
PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2021-11 , nr katalogowy 134132
licencja: Osobista
Produkt cyfrowy
Nowość
10.00 zł
Do koszyka
Zeszyt
PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2021-11
licencja: Osobista
Produkt cyfrowy
Nowość
55.00 zł
Do koszyka
Prenumerata
PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista
Produkt cyfrowy
Nowość
762.00 zł
Do koszyka
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista
Szczegóły pakietu
Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
1002.00 zł brutto
927.78 zł netto
74.22 zł VAT
(stawka VAT 8%)
1002.00 zł
Do koszyka
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista
Szczegóły pakietu
Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna
960.00 zł brutto
888.89 zł netto
71.11 zł VAT
(stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka
42.00 zł brutto
34.15 zł netto
7.85 zł VAT
(stawka VAT 23%)
1002.00 zł
Do koszyka
Zeszyt
2021-11
Czasopisma
ATEST - OCHRONA PRACY
AURA
AUTO MOTO SERWIS
CHEMIK
CHŁODNICTWO
CIEPŁOWNICTWO, OGRZEWNICTWO, WENTYLACJA
DOZÓR TECHNICZNY
ELEKTROINSTALATOR
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA
GAZETA CUKROWNICZA
GAZ, WODA I TECHNIKA SANITARNA
GOSPODARKA MIĘSNA
GOSPODARKA WODNA
HUTNIK - WIADOMOŚCI HUTNICZE
INŻYNIERIA MATERIAŁOWA
MASZYNY, TECHNOLOGIE, MATERIAŁY - TECHNIKA ZAGRANICZNA
MATERIAŁY BUDOWLANE
OCHRONA PRZECIWPOŻAROWA
OCHRONA PRZED KOROZJĄ
ODZIEŻ
OPAKOWANIE
PACKAGING REVIEW
POLISH TECHNICAL REVIEW
PROBLEMY JAKOŚCI
PRZEGLĄD ELEKTROTECHNICZNY
PRZEGLĄD GASTRONOMICZNY
PRZEGLĄD GEODEZYJNY
PRZEGLĄD MECHANICZNY
PRZEGLĄD PAPIERNICZY
PRZEGLĄD PIEKARSKI I CUKIERNICZY
PRZEGLĄD TECHNICZNY. GAZETA INŻYNIERSKA
PRZEGLĄD TELEKOMUNIKACYJNY - WIADOMOŚCI TELEKOMUNIKACYJNE
PRZEGLĄD WŁÓKIENNICZY - WŁÓKNO, ODZIEŻ, SKÓRA
PRZEGLĄD ZBOŻOWO-MŁYNARSKI
PRZEMYSŁ CHEMICZNY
PRZEMYSŁ FERMENTACYJNY I OWOCOWO-WARZYWNY
PRZEMYSŁ SPOŻYWCZY
RUDY I METALE NIEŻELAZNE
SZKŁO I CERAMIKA
TECHNOLOGIA I AUTOMATYZACJA MONTAŻU
WIADOMOŚCI ELEKTROTECHNICZNE
WOKÓŁ PŁYTEK CERAMICZNYCH