EEG-Based Mental Task Classification with Convolutional Neural Networks – Parallel vs 2D Data Representation
PBN-AR
Instytucja
Wydział Fizyki Technicznej, Informatyki i Matematyki Stosowanej (Politechnika Łódzka)
Informacje podstawowe
Główny język publikacji
en
Czasopismo
Advances in Intelligent Systems and Computing
ISSN
2194-5357
EISSN
Wydawca
Springer
DOI
Rok publikacji
2019
Numer zeszytu
Strony od-do
549-560
Numer tomu
762
Identyfikator DOI
Liczba arkuszy
Słowa kluczowe
en
Convolutional neural network CNN
Brain-computer interface
Electroencephalography
Konferencja
Indeksowana w Scopus
tak
Indeksowana w Web of Science Core Collection
nie
Liczba cytowań z Web of Science Core Collection
Nazwa konferencji (skrócona)
ITIB 2018
Nazwa konferencji
Information Technologies in Biomedicine
Początek konferencji
2018-06-18
Koniec konferencji
2018-06-20
Lokalizacja konferencji
Kamień Śląski
Kraj konferencji
PL
Lista innych baz czasopism i abstraktów w których była indeksowana
Streszczenia
Język
en
Treść
In this paper a convolutional neural network, CNN, is trained to perform mental task recognition on the basis of the EEG signal. We address the problem of EEG data representation and processing, comparing two different approaches to the construction of the convolutional layers of the CNN. We demonstrate that splitting the input EEG data into individual channels and frequency bands is beneficial in terms of the generalization error, although the training process is faster and more stable if complete, unsplit two-dimensional spectrograms of the EEG signal are processed.
Cechy publikacji
discipline:Informatyka – dziedzina nauk matematycznych
discipline:Informatyka – dziedzina nauk technicznych
discipline:Computer science – field of mathematics
discipline:Computer science – field of technical sciences
Original article
Original article presents the results of original research or experiment.
Oryginalny artykuł naukowy
Oryginalny artykuł naukowy przedstawia rezultaty oryginalnych badań naukowych lub eksperymentu.
Inne
System-identifier
PBN-R:882643
CrossrefMetadata from Crossref logo
Cytowania
Liczba prac cytujących tę pracę
Brak danych
Referencje
Liczba prac cytowanych przez tę pracę
Brak danych