Wyniki 1-10 spośród 18 dla zapytania: authorDesc:"Marcin KOŁODZIEJ"

Zastosowanie analizy częstotliwościowej sygnału EEG w interfejsach mózg-komputer

Czytaj za darmo! »

Przeznaczeniem interfejsu mózg-komputer jest dostarczenie możliwości obsługi urządzeń osobom sparaliżowanym. Obecnie projektowane systemy tego typu umożliwiają, przetworzenie "wyobrażenia o ruchu" na proces sterowania urządzeniami zewnętrznymi, jakimi są np. protezy czy wózki inwalidzkie. Analiza częstotliwościowa sygnału EEG jest wygodnym narzędziem wydobywania cech umożliwiających praktyczną [...]

Interfejs mózg-komputer – wybrane problemy rejestracji i analizy sygnału EEG

Czytaj za darmo! »

Artykuł ma przybliżyć czytelnikowi aktualny stan wiedzy na temat interfejsów mózg-komputer (BCI). Zawiera również opis eksperymentu mającego na celu sprawdzenie czy sygnał EEG zarejestrowany tylko przez dwie elektrody umożliwia poprawną pracę interfejsu BCI działającego w trybie ERD/ERS. Abstract. The article describes stages of signal analysis necessary for proper functioning of a brain-computer interface (BCI). In the article there is presented an experiment which aim is to assess if EEG signal registered only by two electrodes will be sufficient for correct work of BCI based on ERD/ERS method. (Brain-computer interface - registration and analysis of EEG signal, selected problems). Słowa kluczowe: BCI, EEG, rejestracja sygnału, klasyfikacja sygnału. Keywords: BCI, EEG, signal acqu[...]

Matlab FE_Toolbox - an universal utility for feature extraction of EEG signals for BCI realization

Czytaj za darmo! »

The main aim of the article is to introduce a new Matlab toolbox (FE_Toolbox - a collection of feature extraction algorithms) to EEG signal analysis. Such a toolbox can be useful in the process of designing effective Brain-Computer Interfaces (BCI). The implemented feature extraction algorithms are based on frequency analysis (DFT), wavelet transform and higher order statistics (HOS) in connection with an autoregressive model. Streszczenie. W artykule przedstawiono opracowany przez autorów toolbox do Matlaba (FE_Toolbox), który umożliwia łatwe użycie różnych metod ekstrakcji cech z sygnału EEG. Toolbox może być pomocny przy konstruowaniu interfejsów mózg komputer (BCI). Zaimplementowane algorytmy ekstrakcji cech wykorzystują analizę częstotliwościową (DFT), transformację falkową oraz [...]

A Probabilistic Component for K-Means Algorithm and its Application to Sound Recognition

Czytaj za darmo! »

In this paper, we present a novel approach to building of a probabilistic model of the data set, which is further used by the K-means clustering algorithm. Considering K-means with respect to the probabilistic model, requires incorporating of a probabilistic distance, which provides us with measure of similarity between two probability distributions, as the distance measure. We use various kinds of probabilistic distances in order to evaluate their effectiveness when applied to the algorithm with the proposed model of the analyzed data. Further, we report the results of experiments with the discussed clustering algorithm in the field of sound recognition and choose these probabilistic distances, which correspond to the highest clustering performance. As a reference technique, we used the traditional K-means algorithm with the most commonly employed Euclidean distance. Our experiments have shown that the presented method outperforms the traditional K-means algorithm, regardless of the statistical distance applied. Streszczenie. W niniejszej pracy zaprezentowano nowy sposób budowy probabilistycznego modelu zbioru danych, analizowanych przez algorytm klasteryzacji K-´srednich. Rozwa˙zanie metody K-´srednich w odniesieniu do modelu probabilistycznego, narzuca wymaganie wykorzystania odległo´sci probabilistycznej, be˛da˛cej miara˛ podobien´stwa pomie˛dzy dwoma rozkładami prawdopodobien´stwa, jako miary odległos´ci w algorytmie. W pracy wykorzystano ró˙zne typy odległo´sci probabilistycznych, w celu oceny skuteczno´sci ich zastosowania w algorytmie z proponowanym modelem analizowanych danych. Przedstawione zostały równie˙z wyniki bada´n omawianego algorytmu w dziedzinie rozpoznawania d´zwi˛eku. Jako punkt odniesienia wykorzystany został tradycyjny algorytm K-s´rednich z najcze˛s´ciej stosowana˛ odległos´cia˛ Euklidesa. Wyniki przeprowadzonych badan´ pozwalaja˛ stwierdzic´, iz˙ zaprezentowana metoda umoz˙liwia osia˛gnie˛cie lepszych rezultatów klaste[...]

A new method of feature extraction from EEG signal for braincomputer interface design

Czytaj za darmo! »

W artykule przedstawiono opracowaną przez autorów nową metodę ekstrakcji cech z sygnału EEG na użytek interfejsów mózgkomputer (BCI). W opracowanych algorytmach ekstrakcji cech wykorzystano transformację falkową oraz statystyki wyższych rzędów. Przedstawiono wyniki badań związanych z wykorzystaniem proponowanych metod ekstrakcji cech do konstrukcji interfejsu mózg-komputer działającego w oparciu o wyobrażanie sobie ruchu. Eksperymenty przeprowadzono przy użyciu dwóch elektrod (Nowa metoda ekstrakcji cech sygnału EEG na użytek interfejsów mózg-komputer). Abstract. The main aim of the article is to introduce a new method of feature extraction from EEG signal for brain-computer interface design. The proposed algorithms are based on wavelet transform and higher order statistics (HOS). Next authors present the research results for brain-computer interface design using motion imagining. Proposed feature extraction methods are implemented in construction of the interface. Experiments are conducted with use of two electrodes (). Słowa kluczowe: BCI, interfejs mózg-komputer, EEG, ekstrakcja cech, transformata falkowa, statystki wyższych rzędów Keywords: BCI, brain-computer interface, EEG, feature extraction, wavelets, higher order statistics Introduction In recent years, we can observe a growing interest in brain-computer interfaces (BCI) [3]. The main advantage of the communication between brain and computer is its "directness". The brain activity is processed into information understandable by a computer omitting all indirect factors such as muscles. The application of BCI is primarily to allow contact with paralyzed people. Brain-computer interfaces can also be used in entertainment and for military purposes. At present the main factors that restrict the wider use of brain-computer interfaces are: problems with acquisition of EEG signals and low speed of information conveyed by brain-computer technology [1,2]. Although there are many ways[...]

Implementation of genetic algorithms to feature selection for the use of brain-computer interface

Czytaj za darmo! »

The main goal of the article is to apply genetic algorithms to feature selection for the use of brain-computer interface (BCI). FFT coefficients of EEG signal were used as features. The best features for a BCI system depends on the person who uses the system as well as on the mental state of the person. Therefore, it is very important to apply efficient methods of feature selection. The genetic algorithm proposed by authors enables to choose the most representative features and electrodes. Streszczenie. W artykule przedstawiono zastosowanie algorytmów genetycznych do selekcji cech na użytek interfejsów mózg-komputer (BCI). Najlepszy zestaw cech dla tego typu interfejsów jest zależny od osoby, która używa interfejsu, jak również od jej stanu psychicznego. Z tego powodu konieczne jest zastosowanie bardzo efektywnych metod selekcji cech. Jako cechy wykorzystane zostały współczynniki FFT sygnału EEG. Zaproponowany przez autorów algorytm genetyczny umożliwia wyznaczenie najbardziej reprezentatywnego zbioru cech, jak również elektrod, z których pobierany jest sygnał EEG. (Zastosowanie algorytmów genetycznych do selekcji cech na użytek interfejsów mózg-komputer) Keywords: EEG, brain-computer interface, BCI, feature extraction, feature selection, ERD/ERS, genetic algorithms Słowa kluczowe: EEG, interfejs mózg-komputer, ekstrakcja cech, selekcja cech, ERD/ERS, algorytmy genetyczne Introduction Implementing communication between man and machine by the use of EEG signals is one of the biggest challenges in signal theory. Such a communication system could improve the standard of living of people with severe motor disabilities. Disable persons cannot move, however they can think about moving their arms, legs and in this way produce stable motor-related EEG signals (so called eventrelated desynchronization/synchronization - ERD/ERS). The fundamental problem in all BCI systems is the proper interpretation of EEG signals [1,2,3]. EEG signals are read [...]

Optymalizacja doboru okien czasowych do przetwarzania sygnału EEG w interfejsach mózg-komputer

Czytaj za darmo! »

Interfejsy BCI umożliwiają bezpośrednią komunikację pomiędzy mózgiem a komputerem. Założeniem autorów jest próba rozpoznania (klasyfikacja) jednosekundowego zapisu sygnału EEG skojarzonego z wykonywaniem przez osobę pewnego zadania myślowego. Podczas przeprowadzania eksperymentów okazało się, że na proces klasyfikacji duży wpływ ma szerokość oraz sposób zachodzenia na siebie okien czasowych, z których ekstrahuje się cechy. Celem referatu jest wskazanie jak najlepszej strategii doboru parametrów okien czasowych na potrzeby wyznaczenia cech i nauki klasyfikatora. Abstract: BCI interfaces allow direct communication between the brain and the computer. The author’s idea is to try to identify (classify) one-second windows of EEG signal associated with doing by a person a certain mental task. During the experiments it turned out that the classification process is highly influenced by the width of the windows and the way they overlap. The aim of this paper is to identify the best strategies for selection of time windows of EEG signal for the purposes of feature extraction and classifier learning. (Optimization of the time window of signal processing in interface between brain and computer) Słowa kluczowe: interfejs mózg-komputer, ekstrakcja cech, klasyfikacja, ITR. Keywords: brain-computer interface, feature extraction, classification, ITR. Wstęp W ostatnich latach, dzięki postępowi technologicznemu wyraźnie wzrasta zainteresowanie naukowców interfejsami mózg-komputer (Brain-Computer Interface: BCI). Interfejsy takie umożliwiają bezpośrednią komunikację pomiędzy mózgiem a komputerem. Wybrany stan aktywności mózgu, odczytany z sygnałów generowanych przez neurony, zostaje przetworzony na informację "zrozumiałą" przez komputer. Interfejsy mózg-komputer znajdują zastosowanie przede wszystkim w procesach usprawniania osób sparaliżowanych, umożliwiając im kontakt z otoczeniem. Można również zaobserwować próby zastosowania interfejsu mózg-ko[...]

Wykorzystanie t-statystyk do szybkiej selekcji cech sygnału EEG na użytek interfejsu mózg-komputer

Czytaj za darmo! »

Głównym zadaniem systemu BCI jest odczytanie sygnałów generowanych przez neurony mózgowe. Do efektywnego działania interfejsu mózg-komputer potrzebna jest skuteczna metoda selekcji cech sygnału EEG. W artykule autorzy zaproponowali użycie współczynnika tstatystyk do uszeregowania i redukcji cech na użytek systemów BCI. Abstract: The main task of BCI is to translate the signals generated by neurons in the brain. For the effective operation of the brain-computer interface, an efficient method of feature selection of EEG signal is needed. In this article authors propose the use of t-statistics to feature selection for BCI systems. (Application of t-statistics for processing of EEG signal in brain-computer interface) Słowa kluczowe: interfejs mózg-komputer, ekstrakcja cech, klasyfikacja Keywords: brain-computer interface, BCI, feature extraction, classification Wstęp Interfejs mózg-komputer (Brain-Computer Interface: BCI) to jedno z nowych wyzwań, które stanowi część szerszego zagadnienia określanego mianem “komunikacji człowiek-komputer", umożliwiającego zamianę "myśli w działanie". Potencjalnie więc BCI stanowi łącze pomiędzy mózgiem a światem zewnętrznym. Głównym zadaniem systemu BCI jest odczytanie sygnałów generowanych przez neurony mózgowe, rozszyfrowanie ich znaczenia i wygenerowanie sygnałów odpowiednich do sterowania innym systemem. Najbardziej znaczącym zastosowaniem BCI jest usprawnienie funkcjonowania osób sparaliżowanych. Proponowana metoda selekcji cech Do efektywnego działania interfejsu mózg-komputer potrzebna jest skuteczna metoda selekcji cech sygnału EEG [1]. Selekcja cech jest tak ważnym elementem systemów BCI, gdyż najlepsze cechy dla danego użytkownika mogą zmieniać się z dnia na dzień, a nawet z godziny na godzinę. Dlatego systemy BCI działają w dwóch trybach: kalibracji (dostosowanie do użytkownika) i interpretacji sygnału EEG czyli klasyfikacji. Tryb kalibracji powinien następować przed każdym użycie[...]

Linear discriminant analysis as EEG features reduction technique for brain-computer interfaces

Czytaj za darmo! »

BCI systems analyze the EEG signal and translate patient intentions into simple commands. Signal processing methods are very important in such systems. Signal processing covers: preprocessing, feature extraction, feature selection and classification. In the article authors present the results of implementing linear discriminant analysis as a feature reduction technique for BCI systems. Streszczenie: Systemy BCI analizują sygnał EEG i tłumaczą intencje użytkownika na proste polecenia. Ważnym elementem systemów BCI jest przetwarzanie sygnału. Obejmuje ono: przetwarzanie wstępne, ekstrakcję cech, selekcję cech i klasyfikację. W artykule autorzy prezentują wyniki badań z zastosowaniem liniowej analizy dyskryminacyjnej jako narzędzia do redukcji cech. (Liniowa analiza dyskryminacyjna jako narzędzie redukcji cech sygnału EEG) Keywords: Linear Discriminant Analysis, LDA, feature reduction, feature selection, brain-computer interface, BCI, EEG Słowa kluczowe: Liniowa Analiza Dyskryminacyjna, LDA, redukcja cech, selekcja cech, interfejs mózg-komputer, EEG Introduction Constructing of an efficient brain-computer interface (BCI) is one of the most challenging scientific problems and focuses scientists attention from all over the world. Often BCI interfaces are based on EEG signals recorded from the surface of the scalp, because this method of brain activity monitoring is noninvasive, easy to use and quite inexpensive. Brain-computer interfaces make use of several brain potentials such as: P300, SSVEP or ERD/ERS [1,2,3]. The most difficult case for implementation is BCI based on brain potentials associated with movements (ERD/ERS). The ERD/ERS name origins from the phenomenon of EEG signal power rise or fall in the frequency bands 8-12 Hz and 18-26 Hz, when a subject spontaneously imagines a movement. In our experiment we tried to classify EEG signals for a single asynchronous trial of imagining movement. Fig. 1. The scheme of brain-computer [...]

Wizualizacja rozkładu potencjałów EEG w zastosowaniu do asynchronicznego interfejsu mózg-komputer

Czytaj za darmo! »

Zadaniem interfejsu mózg-komputer (Brain-Computer Interface: BCI) jest umożliwienie osobom sparaliżowanym komunikacji z otoczeniem. W tym zakresie, systemy BCI umożliwiają przetworzenie "myśli" na proces sterowania urządzeniami zewnętrznymi takimi jak protezy czy wózki inwalidzkie. Opisane w artykule badania mają na celu wskazanie najlepszych miejsc do naklejenia elektrod systemu elektroencefalograficznego (EEG) na głowie pacjenta na potrzeby asynchronicznego interfejsu mózg-komputer. Abstract. The main purpose of a brain-computer interface (BCI) is to allow paralyzed people to communicate with the environment. Currently, the proposed BCI systems of this type are able to process "thoughts" in order to control external devices such as prostheses or wheelchairs. The article presents results of our research how to identify the best places for EEG electrodes on the patient's head for asynchronous brain-computer interface. (Visualization of EEG potential distribution on the patient’s head in application to asynchronous brain-computer interface). Słowa kluczowe: interfejs mózg-komputer, BCI, EEG, ERD/ERS. Keywords: brain-computer interface, BCI, EEG, ERD/ERS. Wstęp Interfejs mózg-komputer stanowi zwykle złożony system, w którym nieodzownymi elementami są: akwizycja, przetwarzanie i analiza sygnału EEG. Choć idea interfejsów mózg-komputer nie jest najnowsza [1], to praktyczne użycie takich interfejsów stało się możliwe dopiero po zastosowaniu szybkich komputerów, zapewniających przetwarzanie sygnałów EEG w czasie rzeczywistym. W systemach BCI wykorzystuje się wybrane sygnały bioelektrycznej aktywności mózgu, zebrane bezpośrednio z mózgu (inwazyjnie) lub z powierzchni skóry czaszki (bezinwazyjnie). Zarejestrowane sygnały, po odpowiednim kondycjonowaniu, są przetwarzane i analizowane. Realizowana jest: ekstrakcja cech, selekcja cech i wreszcie ich klasyfikacja (rys.1). Miejsce naklejenia elektrod na głowie, jak i sposób wydobycia cech[...]

 Strona 1  Następna strona »