Klasifikace dlouhodobých EEG záznamů
Classification of Long-Term EEG Recordings
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Vošmik Jiří
Vedoucí práce
Gerla Václav
Oponent práce
Fabián Vratislav
Studijní obor
RobotikaStudijní program
Kybernetika a robotikaInstituce přidělující hodnost
katedra kybernetikyObhájeno
2015-01-29Práva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://www.cvut.cz/sites/default/files/content/d1dc93cd-5894-4521-b799-c7e715d3c59e/cs/20160901-metodicky-pokyn-c-12009-o-dodrzovani-etickych-principu-pri-priprave-vysokoskolskych.pdfVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://www.cvut.cz/sites/default/files/content/d1dc93cd-5894-4521-b799-c7e715d3c59e/cs/20160901-metodicky-pokyn-c-12009-o-dodrzovani-etickych-principu-pri-priprave-vysokoskolskych.pdf
Metadata
Zobrazit celý záznamAbstrakt
Cílem této práce je porovnání výsledků klasifikátorů k-nejblizších sousedů, naivního bayesovského
klasifikátoru, support vector machine a skrytých markovských modelů při
použití na reálných záznamech EEG. Použité EEG záznamy byly záznamy spánkové,
EEG signály s artefakty a komatózní EEG signály. Před vlastní klasifikací byla provedena
normalizace a selekce nejlepších příznaků všech záznamů pro snížení dimenze
příznakového prostoru. Dále byla provedena optimalizace parametrů k-nejblizších sousedů
a support vector machine. Klasifikátory byly hodnoceny především na základě
jejich přesnosti, senzitivity, specificity a času výpočtu. Aim of this thesis is comparison of k-nearest neighbors, naive bayes classifier, support
vector machine and hidden markov models based on their performance on real EEG
datasets. Sleep, artifact and coma datasets were used. Prior to the classification, feature
normalisation and selection were used in order to reduce feature space dimensionality of
the datasets. Next, hyperparameter optimisation for k-nearest neighbors and support
vector machine was performed. Classifiers were compared using the following measures:
accuracy, sensitivity, specificity and time complexity.
Kolekce
- Bakalářské práce - 13133 [777]