Classification de potentiels évoqués P300 par géométrie riemannienne pour les interfaces cerveau-machine EEG - Archive ouverte HAL Access content directly
Conference Papers Year : 2013

Classification de potentiels évoqués P300 par géométrie riemannienne pour les interfaces cerveau-machine EEG

Abstract

Cet article présente une nouvelle méthode de classification pour les potentiels évoqués dans le cadre des interfaces cerveau machine (ICMs) EEG. À travers une estimation spécifique des matrices de covariance, ce travail étend l'utilisation de la géométrie Riemannienne, jusqu'alors limitée aux ICMs fondées sur l'imagination motrice, à la classification des potentiel évoqués. En comparaison aux méthodes de l'état de l'art, la méthode présentée offre une augmentation des performances tout en diminuant le nombre de données de nécessaire à la calibration du classifieur et en offrant une meilleure généralisation entre les sessions d'enregistrement.
Fichier principal
Vignette du fichier
Barachant_gretsi_final.pdf (241.24 Ko) Télécharger le fichier
Barachant_Gretsi13.pdf (1.19 Mo) Télécharger le fichier
Origin Files produced by the author(s)
Format Other

Dates and versions

hal-00877447 , version 1 (28-10-2013)

Identifiers

  • HAL Id : hal-00877447 , version 1

Cite

Alexandre Barachant, Marco Congedo, Gijs van Veen, Christian Jutten. Classification de potentiels évoqués P300 par géométrie riemannienne pour les interfaces cerveau-machine EEG. GRETSI 2013 - XXIVème Colloque francophone de traitement du signal et des images, Sep 2013, Brest, France. pp.id394. ⟨hal-00877447⟩
405 View
1166 Download

Share

Gmail Mastodon Facebook X LinkedIn More