Artificial neural networks model design of Lorenz chaotic system for EEG pattern recognition and prediction
Notice bibliographique
Résumé
This paper presents the preliminary work of a multidisciplinary brain research program. The goal of this research program is to generate accurate and effective signals for non-invasive brain stimulation, and deliver a hardware prototype to monitor and treat motion related mental disease such as Parkinson's and Epilepsy. It was shown in previous research that Electroencephalogram (EEG) signals captured from brain activities demonstrate chaotic features. Artificial neural network (ANN) resembles brain biological neural network and can be used to simulate chaotic system. The trained ANN model can in turn be used to analyze and control brain activities. In order to investigate the chaotic phenomenons of EEG signals and develop function for automatic pattern recognition, large amount of EEG signals are required. However, EEG signals are prone to noise and the available data is very limited. It is possible to control and predict the time series outputs of chaotic systems with known equations. Therefore, in order to study the dynamic control of the brain neural networks, an ANN architecture is designed and optimized for implementing Lorenz attractor to simulate the chaotic states of EEG signals. The research includes chaotic system, ANN design and the optimization of ANN architecture, which is based on the consideration of hardware implementation. The designed ANN model is trained with Lorenz attractor outputs with a fixed set of system parameters and the optimized architecture is selected based on the training results of three training algorithms and 16 ANN architectures with different number of hidden neurons.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».