Klasifikace EEG založená na Riemannově metrice
EEG classification based on Riemannian manifold
Typ dokumentu
diplomová prácemaster thesis
Autor
Barbora Balcarová
Vedoucí práce
Piorecký Marek
Oponent práce
Grünes Richard
Studijní obor
Biomedicínský inženýrStudijní program
Biomedicínská a klinická technikaInstituce přidělující hodnost
katedra biomedicínské technikyPráva
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://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská 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://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Práce se zabývá automatickou klasifikací spánkových fází v elektroencefalografických (EEG) záznamech. Cílem práce bylo porovnat vlivy použité metriky na výsledky klasifikace jednoho učícího a jednoho neučícího klasifikátoru se zaměřením na metriku Riemannovu. V programovém prostředí MATLAB jsem předzpracovala a segmentovala spánkové EEG záznamy 20 zdravých subjektů, na extrahované příznaky jsem aplikovala klasifikátory k-NN a k-means, v nichž byly implementovány porovnávané metriky: Riemannova, Euklidova, Minkowského a Mahalanobisova. Klasifikaci jsem vyhodnotila pomocí statistických charakteristik: správnosti, senzitivity a specificity a pro porovnání metrik jsem provedla Wilcoxonův test. Výsledky naznačují, že použitá metrika má pro různé klasifikátory různý vliv na klasifikaci. Pro algoritmus k-NN byla nejvhodnější Mahalanobisova metrika, zatímco Riemannova metrika byla nejvhodnější pro algoritmus k-means. The thesis deals with automated classification of sleep stages in electroencephalographic (EEG) recordings. The objective of the thesis was to compare effects of used metric on the classification results of one supervised and one unsupervised classificator with focus on Riemannian metric. EEG recordings of 20 healthy subjects was preprocessed and segmented in programming environment MATLAB then the k-NN and k-means classificators with Riemannian, Euclidean, Minkowski and Mahalanobis metric implemented were applicated on extracted features. The classification was evaluated by statistical characteristics like accuracy, sensitivity and specificity and Wilcoxon test was used for comparing the metrics. The results indicate that the metric used has different impact on classification for different classificators. Mahalanobis metric was the most suitable for k-NN classificator while Riemannian metric was the most suitable for k-means.
Kolekce
- Diplomové práce - 17110 [1011]