Klasyfikacja sygnałów EEG w interfejsach mózg-komputer z wykorzystaniem sieci neuronowych

Celem pracy jest zaprezentowanie metod klasyfikacji sygnałów EEG w interfejsach mózg-komputer (BCI) z wykorzystaniem sieci neuronowych. Dzięki ich zdolności do modelowania złożonych zależności w danych, możliwe jest skuteczniejsze rozpoznawanie wzorców aktywności mózgowej, co przyczynia się do poprawy dokładności i szybkości działania systemów BCI. W pracy omówiono architektury sieci neuronowych wykorzystywane do analizy sygnałów EEG, takie jak sieci konwolucyjne (CNN) czy rekurencyjne (RNN). Badania pokazują, że te metody mają ogromny potencjał w zastosowaniach takich jak sterowanie urządzeniami wspomagającymi, komunikacja oraz rozrywka.

---

The aim of this paper is to present methods for classifying EEG signals in brain-computer interfaces (BCIs) using neural networks. Thanks to their ability to model complex relationships in the data, it is possible to recognise patterns of brain activity more effectively, which contributes to improving the accuracy and speed of BCI systems. This paper discusses neural network architectures used to analyse EEG signals, such as convolutional networks (CNNs) or recurrent networks (RNNs). The research shows that these methods have immense potentialin applications such as assistive device control, communication,and entertainment.