Klasifikace dlouhodobých EEG záznamů

Abstract

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.