Tytuł pozycji:
Entropy-based feature extraction for classification of EEG signal using Lifting Wavelet Transform
In the realm of Brain-Computer Interface (BCI), a crucial hurdle lies in effectively classifying Motor Imagery (MI) signals. Numerous techniques have been developed for Electroencephalogram (EEG) signal-based MI classification. The proposed system transforms EEG signals into various representations through Lifting Wavelet Transform (LWT). Long Short Term Memory (LSTM) is employed for classifying the extracted feature vectors in each line. The performance of this method is evaluated on the PhysioNet database, specifically for distinguishing between right and left hand imagery move. The strategy,resulting in 100% accuracy in 19 out of 72 wavelet families of LWT. This combination proves to be a highly efficient tool for BCI-based EEG analysis, showcasing its potential as a resourceful solution in this domain.
W obszarze interfejsu mózg-komputer (BCI) kluczową przeszkodą jest skuteczna klasyfikacja sygnałów obrazowania motorycznego (MI). Opracowano liczne techniki klasyfikacji MI na podstawie sygnału elektroencefalogramu (EEG). Proponowany system przekształca sygnały EEG na różne reprezentacje za pomocą transformacji falkowej Lifting Wavelet Transform (LWT). Pamięć długoterminowa Long Short Term Memory (LSTM) jest wykorzystywana do klasyfikowania wyodrębnionych wektorów cech w każdej linii. Wydajność tej metody jest oceniana w bazie danych PhysioNet, w szczególności w celu rozróżnienia ruchu obrazowania prawej i lewej ręki. Strategia ta zapewnia 100% dokładność w 19 z 72 rodzin falek LWT. Ta kombinacja okazuje się wysoce wydajnym narzędziem do analizy EEG opartej na BCI, pokazując swój potencjał jako zasobnego rozwiązania w tej dziedzinie.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).
