| Název: | Detekce pohybu z EEG dat |
| Další názvy: | Motion detection from EEG data |
| Autoři: | Kodera, Jakub |
| Vedoucí práce/školitel: | Mouček Roman, Doc. Ing. Ph.D. |
| Oponent: | Mautner Pavel, Ing. Ph.D. |
| Datum vydání: | 2024 |
| Nakladatel: | Západočeská univerzita v Plzni |
| Typ dokumentu: | diplomová práce |
| URI: | http://hdl.handle.net/11025/57226 |
| Klíčová slova: | eeg;představa pohybu;augmentace dat;klasifikace;strojové učení |
| Klíčová slova v dalším jazyce: | eeg;motor imagery;data augmentation;classification;machine learning |
| Abstrakt: | Představa pohybu je jedna z možností jakou může člověk komunikovat pomocí rozhraní mozek počítač. Cílem této práce je prozkoumat existující možnosti a používané metody v oblasti detekce pohybu z naměřeného EEG signálu. Jelikož získávání EEG dat je časově náročná aktivita, jsou v práci prozkoumány možnosti rozšíření existující datové sady bez nutnosti provádění dalšího měření. Práce porovnává detekci pohybu pěti klasifikátory (LDA, SVM, MLP, LSTM a CNN) a zkoumá také využití různých příznakových vektorů. V práci je provedena implementace a porovnání rozšíření datové sady pomocí augmentačních metod NI, cVAE a cWGAN-GP. Nejlepšího klasifikačního výsledku bylo dosaženo klasifikátorem CNN s klasifikační přesností 76.00+-0.80%. |
| Abstrakt v dalším jazyce: | Motor imagery is one of the ways in which a person can communicate through a brain-computer interface. The aim of this work is to explore existing methods in the field of motor imagery detection from measured EEG signals. Since acquisition of EEG data is a time-consuming activity, options for expanding the existing dataset without the need for additional measurements is also explored. This work compares motor imagery detection using five classifiers (LDA, SVM, MLP, LSTM a CNN) and also examines the use of different feature vectors. Additionally, the study implements and compares the expansion of the dataset using the augmentation methods NI, cVAE a cWGAN-GP. The best classification result was achieved with the CNN classifier, achieving a classification accuracy of 76.00+-0.80%. |
| Práva: | Plný text práce je přístupný bez omezení |
| Vyskytuje se v kolekcích: | Diplomové práce / Theses (KIV) |
Soubory připojené k záznamu:
| Soubor | Popis | Velikost | Formát | |
|---|---|---|---|---|
| Diplomova_prace.pdf | Plný text práce | 1,94 MB | Adobe PDF | Zobrazit/otevřít |
| A21N0029Phodnoceni-ved.pdf | Posudek vedoucího práce | 417,51 kB | Adobe PDF | Zobrazit/otevřít |
| A21N0029Pposudek-op.pdf | Posudek oponenta práce | 118,35 kB | Adobe PDF | Zobrazit/otevřít |
| A21N0029Pobhajoba.pdf | Průběh obhajoby práce | 227,01 kB | Adobe PDF | Zobrazit/otevřít |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/57226Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.