Přejít k obsahu

Publikační činnost

Přehled publikační činnosti je uveden ve výročních zprávách na úřední desce FAV.

Níže je k dispozici on-line výpis z databáze publikační činnosti v jednotlivých letech (Pozn. vzhledem k většímu počtu publikačních výsledků může trvat zobrazení výpisu déle).



Stacked Autoencoders for the P300 Component Detection

Citace:
VAŘEKA, L., MAUTNER, P. Stacked Autoencoders for the P300 Component Detection. Frontiers in Neuroscience, 2017, roč. 11, č. 302, s. 1-9. ISSN: 1662-453X
Druh: ČLÁNEK
Jazyk publikace: eng
Anglický název: Stacked Autoencoders for the P300 Component Detection
Rok vydání: 2017
Autoři: Ing. Lukáš Vařeka , Ing. Pavel Mautner Ph.D. ,
Abstrakt CZ: Hluboké neuronové sítě se staly jedním z nejspolehlivějších klasifikačních metod díky kombinaci předtrénování a následném učení s učitelem. Cílem provedených experimentů bylo ověřit, zda jsou sítě autoenkodérů vhodné i pro detekci komponenty P300 s potenciálním využitím na rozhraní mozek-počítač. Data s P300 byla pořízena v EEG laboratoři na Katedře informatiky a výpočetní techniky ZČU a jsou veřejně dostupná. Sítě autoenkodérů (SAE) byly implementovány a srovnány se současně nejlepšími klasifikátory v oboru, např. s LDA a vícevrstvým perceptronem (MLP). Parametry sítí byly optimalizovány empiricky. Váhy předtrénované sítě byly následně upraveny metodou zpětné propagace. Architektura výsledné sítě byla 209-130-100-50-20-2. Trénování proběhlo na datech složených ze čtyř měřených subjektů. Následné otestování proběhlo na datech od 11 jiných subjektů bez dalšího trénování. Natrénovaná SAE dosáhla průměrné úspěšnosti 69.2%, která byla vyšší (p < 0,01) než úspešnost MLP (64.9%) a LDA (65.9%). Recall dosáhl hodnoty 58.8%, která byla mírně vyšší než u MLP (56.2%) a LDA (58.4%).
Abstrakt EN: Using a combination of unsupervised pre-training and subsequent fine-tuning, deep neural networks have become one of the most reliable classification methods. The aim of the experiments subsequently presented was to verify if deep learning-based models can also perform well for single trial P300 classification with possible application to P300-based brain-computer interfaces. The P300 data used were recorded in the EEG/ERP laboratory at the Department of Computer Science and Engineering, University of West Bohemia, and are publicly available. Stacked autoencoders were implemented and compared with some of the currently most reliable state-of-the-art methods, such as LDA and multi-layer perceptron. The parameters of stacked autoencoders were optimized empirically. Subsequently, fine-tuning using backpropagation was performed. The architecture of the neural network was 209-130-100-50-20-2. The classifiers were trained on a dataset merged from four subjects and subsequently tested on different 11 subjects without further training. The trained SAE achieved 69.2% accuracy that was higher (p < 0.01) than the accuracy of MLP (64.9%) and LDA (65.9%). The recall of 58.8% was slightly higher when compared with MLP (56.2%) and LDA (58.4%).
Klíčová slova

Zpět

Patička