Title: Metody pro klasifikaci signálu a jejich využití na návrh rozhraní mozek-počítač
Other Titles: Methods for Signal Classification and their Application to the Design of Brain-Computer Interfaces
Authors: Vařeka, Lukáš
Issue Date: 2018
Publisher: Západočeská univerzita v Plzni
Document type: disertační práce
URI: http://hdl.handle.net/11025/33651
Keywords: art;evokované potenciály;kohonenovy mapy;neuronové sítě;p300;strojové učení;rozhraní mozek-počítač;zřetězené autoenkódery
Keywords in different language: adaptive resonance theory;event-related potentials;self-organizing maps;neural networks;p300;machine learning;brain-computer interface;stacked autoencoders
Abstract: Cílem dizertační práce bylo ověřit vhodnost neuronových sítí pro klasifikaci reakcí mozku na stimuly v rozhraní mozek-počítač (BCI). Navrhl jsem několik algoritmů založených na neuronových sítích, které byly následně srovnány s nejlepšími současně využívanými algoritmy v této oblasti. Testovány byly modifikace Kohonenových map (SOM) a Adaptive Resonance Theory (ART) umožňující učení s učitelem a také modely z kategorie deep learning (zřetězené autoenkodéry). V první části práce jsou popsány v současnosti používané metody na zpracování signálu a klasifikaci v BCI systémech. BCI založené na evokované komponentě P300 jsou probrány detailněji. Druhá část práce nejprve pojednává o algoritmech založených na neuronových sítích, které by bylo možné využít ke klasifikaci v oblasti BCI. Následně jsou získána data ověřující navržené postupy. Pro extrakci příznaků byla použita metoda Windowed means založená na rozdělení signálu do předem určených oken. Modifikace SOM, ART a deep learning byly použity pro klasifikaci komponenty P300. Všechny tyto modely nebyly dosud v oblasti BCI založených na komponentě P300 použity a nabízí alternativy ke klasickým algoritmům (Linear Discriminant Analysis, Support Vector Machines). Kromě toho je popsáno on-line BCI, které umožnilo otestovat navržené algoritmy v reálném čase. Práce je uzavřena výsledky, jejich diskuzí a stručným přehledem současných a plánovaných projektů. Autoenkodéry dosáhly stejných nebo lepších výsledků než ostatní algoritmy.
Abstract in different language: The aim of the thesis was to evaluate neural networks for classification of brain reactions to stimuli in P300-based brain-computer interfaces. Several neural network classification algorithms were proposed and compared with traditionally used classifiers in this field. The algorithms tested included supervised modifications of self-organizing maps (SOMs), Adaptive Resonance Theory (ART), and models from deep learning category (stacked autoencoders). In the first part of the thesis, state-of-the-art signal processing and classification techniques for P300 brain-computer interfaces (BCIs) are introduced. P300 event-related potential BCIs are described in more detail. In the second part of the thesis, algorithms based on neural networks are proposed. Subsequently, the experiments designed to obtain the data used to evaluate proposed algorithms are described. State-of-the art Windowed means paradigm method was used for feature extraction. Different modifications of SOMs, ART networks and stacked autoencoders were used for classification. These models have so far never been explored in P300 BCIs and represent a promising alternative to traditional linear classifiers (Linear Discriminant Analysis, Support Vector Machines). Moreover, an on-line BCI was implemented to provide a real-time opportunity to test the proposed algorithms. Finally, achieved results, ongoing work and possibilities for future work are discussed. Stacked autoencoders were able to match or outperform state-of-the-art classification techniques.
Rights: Plný text práce je přístupný bez omezení
Appears in Collections:Disertační práce / Dissertations (KIV)

Files in This Item:
File Description SizeFormat 
PhdThesisVareka2018.pdfPlný text práce4,3 MBAdobe PDFView/Open
posudky-odp-vareka.pdfPosudek oponenta práce4,85 MBAdobe PDFView/Open
protokol-odp-vareka.pdfPrůběh obhajoby práce858,45 kBAdobe PDFView/Open


Please use this identifier to cite or link to this item: http://hdl.handle.net/11025/33651

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.