Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: http://earchive.tpu.ru/handle/11683/36155
Название: Интерфейс мозг-компьютер на основе компонента Р300: различные подходы классификации
Другие названия: Towards p300 based brain-computer interface: different approaches of classification
Авторы: Станкевич, Филипп Владимирович
Пантюхин, Евгений Игоревич
Спицын, Владимир Григорьевич
Ключевые слова: интерфейс; сигналы; обработка; извлечение
Дата публикации: 2016
Издатель: Томский политехнический университет
Библиографическое описание: Станкевич Ф. В. Интерфейс мозг-компьютер на основе компонента Р300: различные подходы классификации / Ф. В. Станкевич, Е. И. Пантюхин, В. Г. Спицын // Фундаментальные исследования. — 2016. — № 5, ч. 3. — [С. 507-514].
Аннотация: С момента изобретения электроэнцефалографии люди начали задумываться о возможности создания канала коммуникации, основанного на интерпретации сигналов мозговой активности. Впоследние десятилетия создание интерфейса мозг-компьютер (ИМК) ведется активными темпами во многих ведущих мировых лабораториях. Одним из направлений систем ИМК являются системы, основанные на компоненте P300. Вданной работе рассматриваются различные подходы для детекции компонента P300 с целью построения системы ИМК для набора текста на экране монитора. Рассматриваются такие подходы, как анализ сырых данных, применение метода главных компонент, применение комитетных методов классификации с использованием машин опорных векторов и линейного дискриминантного анализа. По итогам работы была получена точность 100 и 98?% для первого и второго субъекта соответственно на наборе данных с соревнования по ИМК (Берлин, 2003).
Since the invention of electroencephalography (EEG) people have thought how to develop a new communication channel based on brain signal analysis. Over the last decades, the amount of brain-computer interface (BCI) research has significantly increased all over the world. P300 component is one of the most popular components for EEG-based BCI. In this work, we consider different approaches for P300 component detection to build a BCI speller. We have considered the classification of raw data, feature extraction based on principle component analysis using linear discriminant analysis (LDA) and support vector machine (SVM). Additionally, ensemble of classifiers has been used to improve recognition accuracy. Finally, the accuracies of 100 and 98?% have been achieved, for subject A and B accordingly, using Data Set II from the BCI Competition III (Berlin,2003).
URI: http://earchive.tpu.ru/handle/11683/36155
Располагается в коллекциях:Препринты научных публикаций

Файлы этого ресурса:
Файл РазмерФормат 
reprint-nw-15455.pdf626,62 kBAdobe PDFПросмотреть/Открыть


Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.