Klasifikace pohybu ruky z EEG dat na bázi ERD/ERS vícevrstvým perceprtronem

Kontinuální EEG aktivita měřených subjektů obsahuje různé vzorce (grafoelementy), podle toho, jakou činnost měřený subjekt vykonával. ERD a ERS jsou příkladem takových vzorců souvisejících s pohybem ruky, prstů popř. nohy. Tento článek se zabývá detekcí pohybu na základě vzorců ERD/ERS. Z naměřených a předzpracovaných EEG dat se stanoví ERD/ERS, ze které se vytvoří příznakové vektory, které se následně klasifikují neuronovou sítí. Výsledná neuronová síť se skládá z jedné vstupní a jedné výstupní vrstvy a dvou skrytých vrstev. První skrytá vrstva obsahuje 3 000 neuronů a druhá 1 500 neuronů. Pro natrénování neuronové sítě se z naměřených a upravených dat vytvoří trénovací množina příznakových vektorů, pro následnou úpravu vah neuronové sítě během trénování se používá algoritmus zpětného šíření. S tímto nastavením a tréninkem je neuronová síť schopna klasifikovat pohyb v záznamu EEG s průměrnou přesností 79,92%.Continuous EEG activity in the measured subjects includes different patterns depending on what activity the subject performed. ERD and ERS are examples of such patterns related to movement, for example of a hand, finger or foot. This article deals with the detection of motion based on the ERD/ERS patterns. By linking ERD/ERS, feature vectors which are later classified by neural network are created. The resulting neural network consists of one input and one output layer and two hidden layers. The first hidden layer contains 3,000 neurons and the second one 1,500 neurons. A training set of feature vectors is used for the training of this neural network and the back-propagation algorithm is used for the subsequent adjustment of the weights. With this setting and training, the neural network is able to classify motion in an EEG record with an average accuracy of 79.92%