Az agy működését kísérő elektromos jelenségek elemzésének egyik módszere az elektroenkefalográfia (EEG), amelynek segítségével tanulmányozható a pszichés működés élettani háttere az idegsejtek elektromos aktivitásának regisztrálása útján. A kapott jel összetett, helyes értelmezése több évnyi tanulást és tapasztalatot igényel a szakértők részéről. Manapság azonban a gépi tanulás tudományának fejlődésével a tanulóalgoritmusok fokozatosan felváltják a bonyolult, időt és szakértelmet igénylő vizuális kiértékelést. Az automatikus kiértékelés (osztályozás) használata során számos megoldandó probléma, illetve kérdés merül fel, ilyen például az alkalmazandó adat-előfeldolgozás, jellemző kinyerés, a gépi tanulási módszer és annak paramétereinek meghatározása. Kutatásomban egyrészt arra kerestem a választ, hogy elérhető-e a korábbiaknál jobb osztályozási eredmény egy megfelelő gépi tanulási algoritmus és jellemzőkinyerési módszer megválasztásával egy nyilvánosan elérhető, elképzelt és valódi mozgások végzése során rögzített EEG felvételeket tartalmazó adatbázison, másrészt, hogy saját mérési adataimon mennyire hatékonyan tudok osztályozást végezni. Harmadrészt pedig megvizsgáltam a neurális hálózatok felismerési sebességének hardveres gyorsítási lehetőségeit FPGA (field-programmable gate array) felhasználásával.

One method of analysing the electrical phenomena that accompany brain activity is electroencephalography (EEG), which can be used to study the physiology of mental functioning by recording the electrical activity of nerve cells. The resulting signal is complex and its correct interpretation requires years of study and experience on the part of experts. However, nowadays, with the advances in machine learning science, learning algorithms are gradually replacing visual evaluation, which requires time and expertise. The use of automatic evaluation (classification) raises a number of problems and issues to be solved, such as the data preprocessing to be applied, feature extraction, the machine learning method and its parameters. In my research, I wanted to find out if better classification results can be achieved by choosing an appropriate machine learning algorithm and feature extraction method on a publicly available database of imagery and real motor movement EEG recordings, and how efficiently I can perform classification on my own measurement data. Third, I investigated the hardware acceleration possibilities of neural network inference speed using a field-programmable gate array (FPGA).