Classification of BCI Multiclass Motor Imagery Task Based on Artificial Neural Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Motor imagery (MI) signals recorded by electroencephalography provide the most practical basis for conceiving brain-computer interfaces (BCI). These interfaces offer a high degree of freedom. This helps people with motor disabilities communicate with the device by tackling a sequence of motor imagery tasks. However, the extracting user-specific features and increasing the accuracy of the classifier remain as difficult tasks in MI-based BCI. In this work, we propose a new method using artificial neural network (ANN) enhancing the performance of the motor imagery classification. Feature extraction techniques, like time domain parameters, band power features, signal power features, and wavelet packet decomposition (WPD), are studied and compared. Four classification algorithms are implemented which are Quadratic Discriminant Analysis, k-Nearest Neighbors, Linear Discriminant Analysis, and proposed ANN architecture. We added Batch Normalization layers to the proposed ANN architecture to improve the learning time and accuracy of the neural network. These layers also alleviate the effect of weight initialization and the addition of a regularization effect on the network. Our proposed method using ANN architecture achieves 0.5545 of kappa and 58.42% of accuracy on the BCI Competition IV-2a dataset. Our results show that the modified ANN method, with frequency and spatial features extracted by WPD and Common Spatial Pattern, respectively, offers a better classification compared to other current methods.
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.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle