Klasifikace EEG artefaktů založená na analýze nezávislých komponent pomocí metod strojového učení

Abstract

Cílem práce je implementace systému pro detekci artefaktů v EEG signálu pomocí analýzy nezávislých komponent. Systém bude implementován v prostředí Matlab za využití toolboxu EEGlab. EEG data budou nejprve převedeny na nezávislé komponenty a pomocí inverzní úlohy lokalizovány zdroje v 3D prostoru. Tyto výstupy budou analyzovány pomocí metod strojového učení, které určí, zda daný zdroj obsahuje mozkovou aktivitu, nebo se jedná o svalové nebo technické artefakty. Systém bude otestován na EEG datech z reálných výzkumů a následně použit jako zásuvný modul toolboxu EEGLab.

The goal of thesis is to implement a system for detecting artefacts in EEG signals using independent component analysis. The system will be implemented in Matlab, namely Eeglab toolbox. EEG data will be converted into independent components and its sources will be localized in a 3D space. These outputs will be analyzed by machine learning techniques to determine whether the source contains brain activity, a muscle or technical artefacts. The system will be tested on the EEG data from real research and subsequently used as a plug-in toolbox EEGLab.