Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

Publikacje Pracowników PL z lat 1990-2010

Publikacje pracowników Politechniki Lubelskie z lat 1990-2010 dostępne są jak dotychczas w starej bazie publikacji
LINK DO STAREJ BAZY

MNiSW
40
konferencja
Status:
Autorzy: Begiełło Filip, Tokovarov Mikhail, Plechawska-Wójcik Małgorzata
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Strony: 3 - 14
Scopus® Cytowania: 0
Bazy: Scopus
Efekt badań statutowych NIE
Materiał konferencyjny: TAK
Nazwa konferencji: 19th International Conference on Computer Information Systems and Industrial Management Applications
Skrócona nazwa konferencji: CISIM 2020
URL serii konferencji: LINK
Termin konferencji: 16 października 2020 do 18 października 2020
Miasto konferencji: Białystok
Państwo konferencji: POLSKA
Publikacja OA: NIE
Abstrakty: angielski
The paper presents application of a transfer learning-based, deep neural network classification model to the brain-computer interface EEG data. The model was initially trained on the publicly available dataset of motor imagery EEG data gathered from BCI experienced users. The final fitting was performed on the set of six participants for whom it was the first contact with a BCI system. The results show that initial training affects classification accuracy positively even in case of inexperienced participants. In the presented preliminary study five participants were examined. Data from each participant were analysed separately. Results show that the transfer learning approach allows to improve classification accuracy by even more than 10% points in comparison to the baseline deep neural network models, trained without transfer learning.