Full metadata record
DC poleHodnotaJazyk
dc.contributor.authorMouček, Roman
dc.contributor.authorHonzík, Václav
dc.date.accessioned2023-12-04T11:00:19Z-
dc.date.available2023-12-04T11:00:19Z-
dc.date.issued2021
dc.identifier.citationMOUČEK, R. HONZÍK, V. Spiking Neural Networks for Classification of Brain-Computer Interface and Image Data. In 2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM 2021). Piscataway: IEEE, 2021. s. 3624-3629. ISBN: 978-1-66540-126-5cs
dc.identifier.isbn978-1-66540-126-5
dc.identifier.uri2-s2.0-85125204127
dc.identifier.urihttp://hdl.handle.net/11025/54893
dc.description.abstractImpulzní neuronové sítě jsou slibným konceptem nejen z hlediska lepší simulace biologických neuronových sítí, ale také z hlediska překonání současných nevýhod umělých neuronových sítí, jako je vysoká spotřeba energie nebo pomalá doba odezvy. Článek se zaměřuje na potenciální přínosy impulzních neuronových sítí při klasifikaci evokovaných komponent zpracovávaných v mnoha tradičních experimentech rozhraní mozek-počítač. Jsou prezentovány experimenty s různými architekturami impulzních neuronových sítí a dále optimalizačními přístupy nad datovými sadami rozhraní mozek-počítač a obrazovými datovými sadami. Dosažené výsledky jsou uvedeny a diskutovány. Nejlepší dosažená přesnost byla 64,86 % pro datovou sadu evokovaných komponent a 97,09 % pro obrazovou datovou sadu.cs
dc.format
dc.format6 s.cs
dc.format.mimetypeapplication/pdf
dc.language.iso
dc.language.isoenen
dc.publisherIEEEen
dc.relation.ispartofseries2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM 2021)en
dc.rightsPlný text je přístupný v rámci univerzity přihlášeným uživatelůmcs
dc.rights© IEEEen
dc.subjectdata rozhraní mozek-počítačcs
dc.subjectobrazová datacs
dc.subjectimpulzní neuronové sítěcs
dc.subjectnáhradní gradientcs
dc.titleSpiking Neural Networks for Classification of Brain-Computer Interface and Image Dataen
dc.title.alternativeImpulzní neuronové sítě pro klasifikaci dat z rozhraní mozek-počítač a obrazových datcs
dc.typekonferenční příspěvekcs
dc.typeConferenceObjecten
dc.rights.accessrestrictedAccessen
dc.type.versionpublishedVersionen
dc.description.abstract-translatedSpiking neural networks are a promising concept not only in terms of better simulation of biological neural networks but also in terms of overcoming the current disadvantages of artificial neural networks, such as high energy consumption or slow response time. The paper focuses on the potential benefits of spiking neural networks in the classification of event-related components processed in many traditional brain-computer interface experiments. Experiments with various spiking network architectures and optimization approaches over specific brain-computer interface and image datasets are presented, and their results are provided and discussed. The best accuracy achieved was 64.86% for the event-related component dataset and 97.09% for the image dataset.en
dc.subject.translatedbrain-computer interface dataen
dc.subject.translatedimage dataen
dc.subject.translatedspiking neural networksen
dc.subject.translatedsurrogate gradienten
dc.identifier.doi10.1109/BIBM52615.2021.9669864
dc.type.statusPeer-revieweden
dc.identifier.obd43934614
dc.project.IDSGS-2019-018/Zpracování heterogenních dat a jejich specializované aplikacecs
Vyskytuje se v kolekcích:Konferenční příspěvky / Conference Papers (KIV)
OBD

Soubory připojené k záznamu:
Soubor VelikostFormát 
Mouček BIBM článek.pdf10,38 MBAdobe PDFZobrazit/otevřít  Vyžádat kopii
Zobrazit minimální záznam Zobrazit statistiky


Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/54893

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.

hledání
navigace
  1. DSpace at University of West Bohemia
  2. Publikační činnost / Publications
  3. OBD