Your browser doesn't support javascript.
loading
Classification methods for ongoing EEG and MEG signals
Besserve, Michel; Jerbi, Karim; Laurent, Francois; Baillet, Sylvain; Martinerie, Jacques; Garnero, Line.
Afiliação
  • Besserve, Michel; CNRS. Laboratoire Meurosciencies Cognitives el Imagerie Cérébrale. Paris. FR
  • Jerbi, Karim; CNRS. Laboratoire Meurosciencies Cognitives el Imagerie Cérébrale. Paris. FR
  • Laurent, Francois; CNRS. Laboratoire Meurosciencies Cognitives el Imagerie Cérébrale. Paris. FR
  • Baillet, Sylvain; CNRS. Laboratoire Meurosciencies Cognitives el Imagerie Cérébrale. Paris. FR
  • Martinerie, Jacques; CNRS. Laboratoire Meurosciencies Cognitives el Imagerie Cérébrale. Paris. FR
  • Garnero, Line; CNRS. Laboratoire Meurosciencies Cognitives el Imagerie Cérébrale. Paris. FR
Biol. Res ; 40(4): 415-437, 2007. ilus, graf
Artigo em Inglês | LILACS | ID: lil-484869
Biblioteca responsável: BR1.1
ABSTRACT
Classification algorithms help predict the qualitative properties of a subject's mental state by extracting useful information from the highly multivariate non-invasive recordings of his brain activity. In particular, applying them to Magneto-encephalography (MEG) and electro-encephalography (EEG) is a challenging and promising task with prominent practical applications to e.g. Brain Computer Interface (BCI). In this paper, we first review the principles of the major classification techniques and discuss their application to MEG and EEG data classification. Next, we investigate the behavior of classification methods using real data recorded during a MEG visuomotor experiment. In particular, we study the influence of the classification algorithm, of the quantitative functional variables used in this classifier, and of the validation method. In addition, our findings suggest that by investigating the distribution of classifier coefficients, it is possible to infer knowledge and construct functional interpretations of the underlying neural mechanisms of the performed tasks. Finally, the promising results reported here (up to 97 percent classification accuracy on 1-second time windows) reflect the considerable potential of MEG for the continuous classification of mental states.
Assuntos
Texto completo: Disponível Coleções: Bases de dados internacionais Base de dados: LILACS Assunto principal: Reconhecimento Visual de Modelos / Encéfalo / Magnetoencefalografia / Eletroencefalografia / Atividade Motora Limite: Humanos Idioma: Inglês Revista: Biol. Res Assunto da revista: Biologia Ano de publicação: 2007 Tipo de documento: Artigo País de afiliação: França Instituição/País de afiliação: CNRS/FR

Similares

MEDLINE

...
LILACS

LIS

Texto completo: Disponível Coleções: Bases de dados internacionais Base de dados: LILACS Assunto principal: Reconhecimento Visual de Modelos / Encéfalo / Magnetoencefalografia / Eletroencefalografia / Atividade Motora Limite: Humanos Idioma: Inglês Revista: Biol. Res Assunto da revista: Biologia Ano de publicação: 2007 Tipo de documento: Artigo País de afiliação: França Instituição/País de afiliação: CNRS/FR
...