首頁瀏覽人次: 670,940 次 (Since 2010/07/14) 會員登入
聯盟單位  |  虛擬講堂  |  網路直播  |  其他演講  |  排行榜  |  留言板  |  知識擂台  |  回首頁
首頁 > 虛擬講堂 > 使用長短期記憶神經網路與離散小波轉換實現運動想像的腦機介面系統 快速搜尋演講 進階搜尋
  使用長短期記憶神經網路與離散小波轉換實現運動想像的腦機介面系統 
★chrome瀏覽器無法播放Silverlight解決辦法
0:00 / 0:00

講者:國立勤益科技大學資訊工程系-余秉宏
日期:2017/10/27
性質:演講
類別:應用科學、教育學習
語言:中文
長度:00:12:55
觀看:216
推薦:0
摘要:
運動想像腦電圖(Motor Imagery Electroencephalography, MI-EEG)在基於腦機介面(Brain Computer Interface, BCI)的控制相關系統中,分類不同的想像腦電訊號將是關鍵的問題。然而,在現有的MI-EEG分類器,如支...
運動想像腦電圖(Motor Imagery Electroencephalography, MI-EEG)在基於腦機介面(Brain Computer Interface, BCI)的控制相關系統中,分類不同的想像腦電訊號將是關鍵的問題。然而,在現有的MI-EEG分類器,如支援向量機(Support Vector Machine, SVM)、線性判別分析(Linear Discriminant Analysis, LDA)和反向傳播網路(Backpropagation, BP),並沒有能夠充分利用時間序列訊號的時間頻率特徵,因此得到的分類結果不是很理想。本系統使用四種EEG信號進行分類,分別是想像右手動作、左手動作、眨眼動作以及無想像動作。本文首先利用g.SAHARAsys系統結合Emotiv EPOC IC擷取腦波訊號,並以無線方式接收並傳輸到Nvidia Jetson TK1系統。根據國際10-20系統,我們使用C3、C4及Cz等三個電極點來截取腦波訊號,接著以離散小波轉換(Discrete Wavelet Transform, DWT)提取運動想像腦波的時間頻率特徵。最後透過基於時間遞歸神經網路(Recurrent Neural Network , RNN)的長短期記憶神經網路(Long Short-Term Memory, LSTM)產生一種新穎的識別方法。本篇為了增加神經網路訓練時的樣本數量,加入了公開的數據集,並將實驗進行多次迭代後的結果與現有的方法相比,比對後發現本方法具有相對較高的分類準確度。這有助於LSTM在MI-EEG分類進一步的研究及應用。

現在位置:演講摘要詳細內容
推薦  (0)
推薦至Plurk
提供:TANET台灣網際網路研討會-TANET2017

轉寄  

推薦者:
電子郵件地址: (如欲轉寄多人,請以 ; 分隔email)
留言給收件者:

回報問題  

問題說明:




【週日閱讀科學大師】為什麼我...
講者:苑舉正
觀看:2,369
呷飽未?台灣米飯由『吃飽』到...
講者:許志聖
觀看:909
【週日閱讀科學大師】量子電腦...
講者:黃吉川
觀看:503
【週日閱讀科學大師】通往宇宙...
講者:吳俊輝
觀看:78
【週日閱讀科學大師】上太空也...
講者:黃居正
觀看:74

現在位置:學習公約