Deep Gaussian Mixture-Hidden Markov Model for Classification of EEG Signals

Electroencephalography (EEG) signals are complex dynamic phenomena that exhibit nonlinear and nonstationary behaviors. These characteristics tend to undermine the reliability of existing hand-crafted EEG features that ignore time-varying information and impair the performances of classification mode...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE transactions on emerging topics in computational intelligence Ročník 2; číslo 4; s. 278 - 287
Hlavní autoři:	Wang, Min, Abdelfattah, Sherif, Moustafa, Nour, Hu, Jiankun
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Piscataway IEEE 01.08.2018 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Témata:	autoencoder Autoregressive models Brain modeling Classification deep learning EEG classification Electroencephalography Feature extraction Gaussian mixture model hidden Markov model Hidden Markov models Indexing Machine learning Markov analysis Markov chains Markov processes Signal classification Task analysis time-series
ISSN:	2471-285X, 2471-285X
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!