Classification of geometric shapes using EEG data
| Autor: | Šajina, David |
|---|---|
| Přispěvatelé: | Tanković, Nikola |
| Jazyk: | chorvatština |
| Rok vydání: | 2022 |
| Předmět: |
informacijski sustavi
DRUŠTVENE ZNANOSTI. Informacijske i komunikacijske znanosti. Informacijski sustavi i informatologija BCI sustav neural networks strojno učenje neuralne mreže Machine learning convolutional neural networks konvolucijske neuralne mreže Information systems electroencephalography (EEG) SOCIAL SCIENCES. Information and Communication Sciences. Information Systems and Information Science BCI system elektroencefalografija (EEG) |
| Popis: | Neuralne mreže su sredstvo za strojno učenje (eng. machine learning) u kojem računalo nastoji prepoznati odnose u skupu podataka kroz proces koji oponaša način na koji funkcionira ljudski mozak. Strojno učenje je znanstvena disciplina koja se bazira na osmišljanju algoritma koji će pomoću skupa podataka učiti na određenim primjerima (Naqa i Murphy, 2015). Konvolucijske neuralne mreže su podskup neuralnih mreža koja se najviše primjenjuje za treniranje modela povezanih sa slikama. Ovaj rad istražuje ideju o klasifikaciji geometrijskih tijela pomoću EEG podataka. EEG podaci prikazani su u protoku voltaže, a za bolji prikaz mozga bolje je koristiti više EEG mjerenja signala tj. više elektroda koje su smještene svuda oko površine mozga. Snimanje EEG podataka napravljeno je putem uređaja OpenBCI Cyton + Daisy pri čemu su podaci snimani sa jednim ispitanikom. Kako bi podaci bili što čišći i relevantniji, soba ima slabije osvjetljenje te ne dolazi do bilo kakvog prodora buke ili ostalih vanjskih smetnji. Nakon snimanja skupa podataka, isti su obrađeni kako bi bili kompatibilni sa Conv2D slojom. Izvorni kod dostupan je na GitHub-u: https://github.com/David-Sajina/OpenBCI Neural networks are a tool for machine learning in which a computer tries to recognize relationships in a set of data through a process that mimics the way the human brain works. Machine learning is a scientific discipline that is based on designing an algorithm that will use a set of data to learn on specific examples (Naqa and Murphy, 2015). Convolutional neural networks are a subset of neural networks most commonly used for training image-related models. This paper explores the idea of geometric body classification using EEG data. EEG data is shown in voltage flow, and for a better representation of the brain it is better to use more EEG signal measurements, i.e. more electrodes that are placed all around the surface of the brain. Recording of EEG data was done using the OpenBCI Cyton + Daisy device, where the data was recorded with one subject. In order for the data to be as clean and relevant as possible, the room has weaker lighting and there is no penetration of noise or other external disturbances. After recording the dataset, it was processed to be compatible with the Conv2D layer. The source code is available on GitHub: https://github.com/David-Sajina/OpenBCI |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|