Verringerung der Anzahl der EEG-Sensoren und der motorischen Bewegungserkennung
durch künstliche neuronale Netze
Versandkostenfrei!
Versandfertig in 6-10 Tagen
39,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
In den letzten Jahren haben sich die Studien im Bereich der künstlichen Intelligenz und des maschinellen Lernens weit verbreitet, so dass die Algorithmen zur Mustererkennung bereits an vielen Stellen zum Einsatz kommen, sei es in der Werbung, die Sie in einem Geschäft erhalten, in einem Chatbot, der aus Fehlern lernt, oder in autonomen Autos von Google und Tesla. Ziel dieser Arbeit ist die Erkennung von Mustern willkürlicher Bewegungen durch künstliche Intelligenz unter Verwendung von Spannungsdaten aus dem Gehirn, die mittels Elektroenzephalographie (EEG) erfasst werden. In diesem Sinne w...
In den letzten Jahren haben sich die Studien im Bereich der künstlichen Intelligenz und des maschinellen Lernens weit verbreitet, so dass die Algorithmen zur Mustererkennung bereits an vielen Stellen zum Einsatz kommen, sei es in der Werbung, die Sie in einem Geschäft erhalten, in einem Chatbot, der aus Fehlern lernt, oder in autonomen Autos von Google und Tesla. Ziel dieser Arbeit ist die Erkennung von Mustern willkürlicher Bewegungen durch künstliche Intelligenz unter Verwendung von Spannungsdaten aus dem Gehirn, die mittels Elektroenzephalographie (EEG) erfasst werden. In diesem Sinne wird auch bewiesen, dass es möglich ist, die EEG-Signale vorzubehandeln, um den Verarbeitungsaufwand des Systems zu reduzieren und die Anzahl der zu analysierenden Kanäle zu verringern, ohne die Erkennung von Mustern zu beeinträchtigen. In diesem Rahmen war es möglich, die Anzahl der Sensoren von 64 auf 18 zu reduzieren und so im besten Fall eine Genauigkeit von 72 % zu erreichen, die durch die Manipulation des Künstlichen Neuronalen Netzes (ANN) auf 73 % steigen kann. So lässt sich nachweisen, dass auf Signaltheorien basierende Analysen zufriedenstellende Ergebnisse hinsichtlich des Klassifikationsfehlers liefern
Andere Kunden interessierten sich für
