Table | Card | RUSMARC | |
Allowed Actions: –
Action 'Read' will be available if you login or access site from another network
Action 'Download' will be available if you login or access site from another network
Group: Anonymous Network: Internet |
Annotation
Нейро-компьютерные интерфейсы и их приложения становятся все более популярными с годами. Исследования по этой теме обширны, и они связаны с методами искусственного интеллекта, что способствует повышению точности и надежности работы этих интерфейсов. Данная работа исследует проблемы классификации, связанной с нейро-компьютерными интерфейсами. Цель работы состоит в том, чтобы правильно классифицировать движения конечностей человека, а затем контролировать нужные устройства с помощью указанной классификации. Методы машинного обучения, такие как машины опорных векторов, линейная и логистическая регрессия и нейронные сети с прямой связью, сначала воспринимаются сигналам мозга из доступных онлайновых баз данных, а затем проверяются на программно-аппаратных реализациях. Наконец, метод глубокого обучения сверточной нейронной сети используется и сравнивается с традиционными упомянутыми методами машинного обучения. В целом, согласно полученным результатам в данной работе указывается, что методы машинного обучения все еще актуальны по сравнению с методами глубокого обучения в отношении нейро-компьютерных интерфейсов.
Brain computer interfaces and its applications are becoming more popular as the passing years. The research on the topic is vast and it is being entangled with artificial intelligence methods to improve accuracy and reliability of these interfaces. This thesis explores the classification problems related to the brain computer interfaces. The idea is to correctly classify limb movements of a human and then control the desired devices with said classification. The machine learning methods such as support vector machines, linear and logistic regression, and feed forward neural networks are first trained on brain signals from available online databases then secondly tested on software and hardware implementations. Finally, a deep learning method of convolutional neural network is used and compared against traditional said machine learning methods. Overall, the thesis proposes from results that machine learning methods are still viable versus deep learning methods in regards to brain computer interfaces.
Document access rights
Network | User group | Action | ||||
---|---|---|---|---|---|---|
ILC SPbPU Local Network | All | |||||
Internet | Authorized users SPbPU | |||||
Internet | Anonymous |
Table of Contents
- first_4_pages_2.pdf (p.1-4)
- master_thesis_spb_final.pdf (p.5-100)
Usage statistics
Access count: 71
Last 30 days: 0 Detailed usage statistics |