Full metadata record
DC poleHodnotaJazyk
dc.contributor.authorVařeka, Lukáš
dc.date.accepted2018-10-16
dc.date.accessioned2019-03-18T08:43:19Z-
dc.date.available2017-11-1
dc.date.available2019-03-18T08:43:19Z-
dc.date.issued2018
dc.date.submitted2018-5-17
dc.identifier76854
dc.identifier.urihttp://hdl.handle.net/11025/33651
dc.description.abstractCílem 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.cs
dc.format120 s.cs
dc.format.mimetypeapplication/pdf
dc.language.isoenen
dc.publisherZápadočeská univerzita v Plznics
dc.relation.isreferencedbyhttps://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=76854-
dc.rightsPlný text práce je přístupný bez omezení.cs
dc.subjectartcs
dc.subjectevokované potenciálycs
dc.subjectkohonenovy mapycs
dc.subjectneuronové sítěcs
dc.subjectp300cs
dc.subjectstrojové učenícs
dc.subjectrozhraní mozek-počítačcs
dc.subjectzřetězené autoenkóderycs
dc.titleMetody pro klasifikaci signálu a jejich využití na návrh rozhraní mozek-počítačcs
dc.title.alternativeMethods for Signal Classification and their Application to the Design of Brain-Computer Interfacesen
dc.typedisertační prácecs
dc.thesis.degree-namePh.D.cs
dc.thesis.degree-levelDoktorskýcs
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta aplikovaných vědcs
dc.thesis.degree-programInženýrská informatikacs
dc.description.resultNeobhájenocs
dc.rights.accessopenAccessen
dc.description.abstract-translatedThe 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.en
dc.title.otherMetody pro klasifikaci signálu a jejich využití na návrh rozhraní mozek-počítačcs
dc.subject.translatedadaptive resonance theoryen
dc.subject.translatedevent-related potentialsen
dc.subject.translatedself-organizing mapsen
dc.subject.translatedneural networksen
dc.subject.translatedp300en
dc.subject.translatedmachine learningen
dc.subject.translatedbrain-computer interfaceen
dc.subject.translatedstacked autoencodersen
Vyskytuje se v kolekcích:Disertační práce / Dissertations (KIV)

Soubory připojené k záznamu:
Soubor Popis VelikostFormát 
PhdThesisVareka2018.pdfPlný text práce4,3 MBAdobe PDFZobrazit/otevřít
posudky-odp-vareka.pdfPosudek oponenta práce4,85 MBAdobe PDFZobrazit/otevřít
protokol-odp-vareka.pdfPrůběh obhajoby práce858,45 kBAdobe PDFZobrazit/otevřít


Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/33651

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.