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).



Application of Stacked Autoencoders to P300 Experimental Data

Citace:
VAŘEKA, L., PROKOP, T., MOUČEK, R., MAUTNER, P., ŠTĚBETÁK, J. Application of Stacked Autoencoders to P300 Experimental Data. In Artificial Intelligence and Soft Computing. Cham: Springer, 2017. s. 187-198. ISBN: 978-3-319-59062-2 , ISSN: 0302-9743
Druh: STAŤ VE SBORNÍKU
Jazyk publikace: eng
Anglický název: Application of Stacked Autoencoders to P300 Experimental Data
Rok vydání: 2017
Místo konání: Cham
Název zdroje: Springer
Autoři: Ing. Lukáš Vařeka , Ing. Tomáš Prokop , Ing. Roman Mouček Ph.D. , Ing. Pavel Mautner Ph.D. , Ing. Jan Štěbeták
Abstrakt CZ: Deep learning se stal v posledních letech novou odnoží algoritmů strojového učení. U některých deep learning algoritmů byly v mnoha aplikacích publikovány lepší výsledky než u state of the art algoritmů. Hlavním cílem článku je ověřit schopnost detekce P300 komponenty jednoho z deep learning algoritmů, jmenovitě stacked autoenkodéru. P300 komponenta, jako specifická odpověď mozku, je často používána v systémech založených na rozhraní mozek-počítač. Byl proveden jednoduchý experiment rozhraní mozek-počítač s více než 200 účastníky školního věku za účelem vytvoření velkého datasetu obsahujícího P300 komponentu. Po extrakci příznaků byla nasbíraná data rozdělena na trénovací a testovací množinu. Dále byly na datech aplikovány state of the art BCI klasifikátory (např. LDA, SVM nebo Bayesovská LDA) a následně byly porovnány s výsledky stacked autoenkodérů.
Abstrakt EN: Deep learning has emerged as a new branch of machine learning in recent years. Some of the related algorithms have been reported to beat state-of-the-art approaches in many applications. The main aim of this paper is to verify one of the deep learning algorithms, specifically a stacked autoencoder, to detect the P300 component. This component, as a specific brain response, is widely used in the systems based on brain-computer interface. A simple brain-computer interface experiment more than 200 school-age participants was performed to obtain large datasets containing the P300 component. After feature extraction the collected data were split into the training and testing sets. State-of-the art BCI classifiers (such as LDA, SVM, or Bayesian LDA) were applied to the data and then compared with the results of stacked autoencoders.
Klíčová slova

Zpět

Patička