| Title: | Spiking Neural Networks for Classification of Brain-Computer Interface and Image Data |
| Other Titles: | Impulzní neuronové sítě pro klasifikaci dat z rozhraní mozek-počítač a obrazových dat |
| Authors: | Mouček, Roman Honzík, Václav |
| Citation: | MOUČEK, 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: 978-1-66540-126-5 |
| Issue Date: | 2021 |
| Publisher: | IEEE |
| Document type: | konferenční příspěvek ConferenceObject |
| URI: | 2-s2.0-85125204127 http://hdl.handle.net/11025/54893 |
| ISBN: | 978-1-66540-126-5 |
| Keywords: | data rozhraní mozek-počítač;obrazová data;impulzní neuronové sítě;náhradní gradient |
| Keywords in different language: | brain-computer interface data;image data;spiking neural networks;surrogate gradient |
| Abstract: | Impulzní 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. |
| Abstract in different language: | Spiking 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. |
| Rights: | Plný text je přístupný v rámci univerzity přihlášeným uživatelům © IEEE |
| Appears in Collections: | Konferenční příspěvky / Conference Papers (KIV) OBD |
Files in This Item:
| File | Size | Format | |
|---|---|---|---|
| Mouček BIBM článek.pdf | 10,38 MB | Adobe PDF | View/Open Request a copy |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/54893Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.