| Název: | Aplikace metod pro rozšíření datové sady EEG záznamu |
| Další názvy: | Application of methods for generating EEG data |
| Autoři: | Lehečka, Jaroslav |
| Vedoucí práce/školitel: | Šnejdar Pavel, Ing. |
| Oponent: | Brůha Petr, Ing. |
| Datum vydání: | 2022 |
| Nakladatel: | Západočeská univerzita v Plzni |
| Typ dokumentu: | bakalářská práce |
| URI: | http://hdl.handle.net/11025/49931 |
| Klíčová slova: | syntetická data;elektroencefalografie;eeg;augmentace dat;gan;neuronová síť;generative adversial network;generování dat |
| Klíčová slova v dalším jazyce: | synthetic data;electroencephalography;eeg;data augmentation;gan;neural network;generative adversial network;data generation |
| Abstrakt: | V současnosti je výzkum demence spojen s počítačovou vědou. Zpracovávání dat může být provedeno pomocí různých metod - hlavně strojového učení. Tyto metody vyžadují dostatek vstupních dat v náležité kvalitě. To je jediná cesta jak dosáhnou stanovených hodnot. Cílem této bakalářské práce je dogenerování syntetických dat pro větší robustnost klasifikačních algoritmů. Využito bylo různých metod (posun, šum, kombinace, GAN síť). Úpravou vstupních dat může být klasifikátor připraven i pro situace, kde je významně větší rušení nebo horší podmínky měření. Výsledky potvrzují, že použití strojového učení je možné pro rozšiřování datových souborů. |
| Abstrakt v dalším jazyce: | These days is research on dementia is connected with computer science. Data processing could be performed using various methods - mainly machine learning. These methods require sufficient input data in the appropriate quality. This is the only way to reach the set valules. The aim of this bachelor thesis is generating synthetic datasets for larger ones and more robust algorithms using studied methods. Different methods were introduced and applied (shift, noise, combination, GAN network). With changes made on input datasets, would be a classifier prepared for noisy datasets or worse measurement conditions. The results confirm that the usage of machine learning is really possible for dataset augmentation. |
| Práva: | Plný text práce je přístupný bez omezení |
| Vyskytuje se v kolekcích: | Bakalářské práce / Bachelor´s works (KIV) |
Soubory připojené k záznamu:
| Soubor | Popis | Velikost | Formát | |
|---|---|---|---|---|
| A19B0121P.pdf | Plný text práce | 1,13 MB | Adobe PDF | Zobrazit/otevřít |
| A19B0121P_hodnoceni.pdf | Posudek vedoucího práce | 108,01 kB | Adobe PDF | Zobrazit/otevřít |
| A19B0121P_posudek.pdf | Posudek oponenta práce | 176,76 kB | Adobe PDF | Zobrazit/otevřít |
| A19B0121P_obhajoba.pdf | Průběh obhajoby práce | 56,67 kB | Adobe PDF | Zobrazit/otevřít |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/49931Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.