view in publisher's site

Classification of EEG signals produced by musical notes as stimuli

Highlights•Classification of EEG signals yield by music stimuli has not been attempted before.•The musical notes C, C#, D, D#, E, F, F#, G, G#, A, A#, B are the music stimuli.•Such classification can advance Brain-Computer Interfaces and Substitution Devices.•ERSPs are used as features for the classification with an SVM.AbstractIn this paper, we present the classification of electroencephalograph (EEG) signals produced by the first-octave musical notes of the piano as stimuli. The EEG classification of musical notes is attempted for the first time, to the best of our knowledge. This type of classification could be applied towards the development of Brain-Computer Interfaces (BCIs) for the composition of music via thought as well as the definition of mappings between different stimuli for Sensory Substitution Devices (SSDs) that are based on their actual impact on brain signals and thus serve better the purpose of SSDs, which is to translate between senses at the perceptual level. Event-Related Spectral Perturbations (ERSP) are extracted as features and are fed into a Support Vector Machine (SVM) classifier. Our aim was to classify musical notes as C, C#, D, D#, E, F, F#, G, G#, A, A#, B and we have achieved it with an average accuracy of 70%.

طبقه‌بندی سیگنال‌های EEG تولید شده توسط نت‌های موسیقی به عنوان محرک

نکات مهم: طبقه‌بندی سیگنال‌های EEG به وسیله محرک‌های موسیقی قبلا تلاش نشده است. نت‌های موسیقی C، C #، D، D، D، E، F، F، G، G، G، A، A، B، محرک موسیقی هستند. چنین طبقه‌بندی می‌تواند پیشرفت مغز - کامپیوتر و دستگاه‌های جایگزینی را پیشرفت دهد. * به عنوان ویژگی‌هایی برای طبقه‌بندی با یک SVM.Abst در این مقاله مورد استفاده قرار می‌گیرند، ما طبقه‌بندی سیگنال‌های electroencephalograph (EEG)تولید شده توسط نت‌های موسیقی مرتبه اول پیانو را به عنوان محرک ارائه می‌کنیم. طبقه‌بندی EEG از نت‌های موسیقی برای اولین بار در راستای بهترین دانش ما انجام شده‌است. این نوع طبقه‌بندی را می توان در جهت توسعه رابط‌های کامپیوتری - رایانه‌ای (BCIs)برای ترکیب موسیقی از طریق تفکر و همچنین تعریف of بین محرک‌های مختلف برای دستگاه‌های جانشینی‌های حسی (SSDs)اعمال کرد و در نتیجه به هدف actual، که قرار است بین حس‌های در سطح ادراکی تعبیر شود، عمل می‌کند. روش‌های طیفی مرتبط با رویداد (ERSP)به عنوان ویژگی‌ها استخراج می‌شوند و به یک طبقه‌بندی کننده حمایت از ماشین بردار پشتیبان (SVM)تغذیه می‌شوند. هدف ما طبقه‌بندی نت‌های موسیقی به عنوان C، C #، D، D، E، F، G، G، A، A، A، B و B است و ما با دقت متوسط ۷۰ درصد به آن دست یافته‌ایم.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.