| Název: | Návrh jednoduchého klasifikátoru pro detekci změn spektrálních vlastností EEG (tzv. ERD/ERS) v souvislosti s pohybem ruky. |
| Další názvy: | Design of a simple classificator for detecting changes of spectral properties of EEG (ERD/ERS) concerning hand movement. |
| Autoři: | Mochura, Pavel |
| Vedoucí práce/školitel: | Mautner Pavel, Ing. Ph.D. |
| Oponent: | Mouček Roman, Ing. Ph.D. |
| Datum vydání: | 2019 |
| Nakladatel: | Západočeská univerzita v Plzni |
| Typ dokumentu: | bakalářská práce |
| URI: | http://hdl.handle.net/11025/38281 |
| Klíčová slova: | elektroencefalografie;erd/ers;přípravné evokované potenciály;neuronová síť;klasifikace eeg signálu;backpropagation;příznakové vektory |
| Klíčová slova v dalším jazyce: | electroencephalography;erd/ers;bereitschaftspotentials;neural network;eeg signal classification;backpropagation;feature vectors |
| Abstrakt: | Kontinuální EEG aktivita u měřených subjektů obsahuje různé vzory podle toho, co měřený subjekt vykonával. ERD a ERS jsou příklady takovýchto vzorů, které souvisejí s pohybem ruky (prstu, nohy). Tato práce se zabývá detekcí pohybu na základě ERD/ERS vzorů. Spojením ERD/ERS vznikají příznakové vektory, které jsou klasifikovány neuronovou sítí. Výsledná neuronová síť se skládá z jedné vstupní a výstupní vrstvy a ze dvou skrytých vrstev, kde první skrytá vrstva obsahuje 3 000 neuronů a druhá skrytá vrstva 1 500 neuronů. Pro trénování této neuronové sítě je použita trénovací množina příznakových vektorů a pro následné nastavování vah je použit algoritmus Backpropagation. S tímto nastavením a trénováním je neuronová síť schopna klasifikovat pohyb v EEG záznamu s průměrnou přesností 79,92%. |
| Abstrakt v dalším jazyce: | Continual EEG activity in the measured subjects includes various types according to what the subject performed. ERD and ERS are examples of such types related to hand motion (finger or foot). This thesis deals with the detection of motion based on the ERD/ERS patterns. Through the connection of ERD/ERS, specific vectors which are classified by neural network are created. The resulting neural network consists of one input and one output layer and two hidden layers. The first hidden layer contains 3,000 neurons and the other one 1,500 neurons. A training set of specific vectors is used for the training of this neural network and the Backpropagation algorithm is used for the subsequent adjustment of weight. Within this setting and training, the neural network is able to classify motion in an EEG record with an average accuracy of 79.92%. |
| 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 | |
|---|---|---|---|---|
| A15B0097P.pdf | Plný text práce | 1,72 MB | Adobe PDF | Zobrazit/otevřít |
| A15B0097P Posudek.pdf | Posudek oponenta práce | 37,42 kB | Adobe PDF | Zobrazit/otevřít |
| A15B0097P Hodnoceni.pdf | Posudek vedoucího práce | 29,37 kB | Adobe PDF | Zobrazit/otevřít |
| A15B0097P Obhajoba.pdf | Průběh obhajoby práce | 53,56 kB | Adobe PDF | Zobrazit/otevřít |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/38281Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.