Personnaliser

OK
Decoding Eeg Brain Signals Using Recurrent Neural Networks de Juri Fedjaev Format Broché

Decoding EEG Brain Signals using Recurrent Neural Networks - Juri Fedjaev

Note : 0

0 avis
  • Soyez le premier à donner un avis

Vous en avez un à vendre ?

Vendez-le-vôtre

100,99 €

Occasion · Comme Neuf

  • Ou 25,25 € /mois

    • En savoir plus
    • Livraison : 25,00 €
    • Livré entre le 7 et le 15 mai
    Voir les modes de livraison

    USAMedia

    PRO Vendeur favori

    4,6/5 sur + de 1 000 ventes

    Service client à l'écoute et une politique de retour sans tracas - Livraison des USA en 3 a 4 semaines (2 mois si circonstances exceptionnelles) - La plupart de nos titres sont en anglais, sauf indication contraire. N'hésitez pas à nous envoyer un e-... Voir plus
    Publicité
     
    Vous avez choisi le retrait chez le vendeur à
    • Payez directement sur Rakuten (CB, PayPal, 4xCB...)
    • Récupérez le produit directement chez le vendeur
    • Rakuten vous rembourse en cas de problème
    Terminer ma commande

    Gratuit et sans engagement

    Félicitations !

    Nous sommes heureux de vous compter parmi nos membres du Club Rakuten !

    En savoir plus

    TROUVER UN MAGASIN

      Retour

      Horaires

          Note :


          Avis sur Decoding Eeg Brain Signals Using Recurrent Neural Networks de Juri Fedjaev Format Broché  - Livre Sciences de la vie et de la terre

          Note : 0 0 avis sur Decoding Eeg Brain Signals Using Recurrent Neural Networks de Juri Fedjaev Format Broché  - Livre Sciences de la vie et de la terre

          Les avis publiés font l'objet d'un contrôle automatisé de Rakuten.


          Présentation Decoding Eeg Brain Signals Using Recurrent Neural Networks de Juri Fedjaev Format Broché

           - Livre Sciences de la vie et de la terre

          Livre Sciences de la vie et de la terre - Juri Fedjaev - 01/02/2019 - Broché - Langue : Anglais

          . .

        • Auteur(s) : Juri Fedjaev
        • Editeur : Grin Verlag
        • Langue : Anglais
        • Parution : 01/02/2019
        • Format : Moyen, de 350g à 1kg
        • Nombre de pages : 72
        • Expédition : 118
        • Dimensions : 21.0 x 14.8 x 0.6
        • ISBN : 3668865035



          • Résumé :
          Master's Thesis from the year 2017 in the subject Electrotechnology, grade: 1,0, Technical University of Munich (Neurowissenschaftliche Systemtheorie), language: English, abstract: Brain-computer interfaces (BCIs) based on electroencephalography (EEG) enable direct communication between humans and computers by analyzing brain activity. Specifically, modern BCIs are capable of translating imagined movements into real-life control signals, e.g., to actuate a robotic arm or prosthesis. This type of BCI is already used in rehabilitation robotics and provides an alternative communication channel for patients suffering from amyotrophic lateral sclerosis or severe spinal cord injury. Current state-of-the-art methods are based on traditional machine learning, which involves the identification of discriminative features. This is a challenging task due to the non-linear, non-stationary and time-varying characteristics of EEG signals, which led to stagnating progress in classification performance. Deep learning alleviates the efforts for manual feature engineering through end-to-end decoding, which potentially presents a promising solution for EEG signal classification. This thesis investigates how deep learning models such as long short-term memory (LSTM) and convolutional neural networks (CNN) perform on the task of decoding motor imagery movements from EEG signals. For this task, both a LSTM and a CNN model are developed using the latest advances in deep learning, such as batch normalization, dropout and cropped training strategies for data augmentation. Evaluation is performed on a novel EEG dataset consisting of 20 healthy subjects. The LSTM model reaches the state-of-the-art performance of support vector ma- chines with a cross-validated accuracy of 66.20%. The CNN model that employs a time-frequency transformation in its first layer outperforms the LSTM model and reaches a mean accuracy of 84.23%. This shows that deep learning approaches deliver competitive performance without the need for hand-crafted features, enabling end-to-end classification.