Raisonnement par Cas applique aux Interfaces Cerveau-Machines : Etude pilote
Overview & Synopsis
L’analyse du signal des interfaces cerveau-machines (ICM) basée sur l’électroencéphalographie (EEG) est complexe et constitue un obstacle pour les développeurs d’applications et les créateurs de contenus. Dans cette étude, nous évaluons l’utilisation du classifieur HCBR, qui évolue dans un espace non-structuré (raisonnement par cas) afin de simplifier l’analyse EEG en réduisant le nombre d’étapes de prétraitement. Des données directes et prétraitées ont été fournies en entrée du classifieur. La performance du classifieur était meilleur avec les donnes prétraitées, invalidant par conséquent notre hypothèse initiale. La précision maximale obtenue par le classifieur était respectivement de 71.10 % et 52.04 % lors de la phase d’entrainement et de test (sur des données prétraitées). Ceci indique que HCBR est capable d'apprendre à partir des données, mais que davantage d’efforts restent nécessaires pour obtenir une meilleure précision lors de la phase de test - par exemple en augmentant le nombre d’essais grâce au transfert d’apprentissage.
hal.science)
← / → for pages • + / - for zoom • 0 to fit width
Powered by Mozilla PDF.js v3.11
Document Information
| Document Title | Raisonnement par Cas applique aux Interfaces Cerveau-Machines : Etude pilote |
|---|---|
| Author / Organization | Grégoire Cattan, Alexandre Quemy |
| Subject & Discipline | Multidisciplinary Academic Open Research |
| Categories | Science & Mathematics |
| Publication Year | 2021 |
| License / Rights | Open Access / Creative Commons |
| Resource Verification | Listed PDF (Verification Pending) |
| Original Host Website |
HAL Open Science
(hal.science)
|
| File Format | application/pdf (Portable Document Format) |
| Language | EN |
| Catalog ID | DOC-101131 |
| Original Source Link | Visit Source Page on hal.science » |