Pretražite po imenu i prezimenu autora, mentora, urednika, prevoditelja

Napredna pretraga

Pregled bibliografske jedinice broj: 1072294

Arhitekture umjetnih neuronskih mreža za analizu signala EEG-a


Planinić, Lucija
Arhitekture umjetnih neuronskih mreža za analizu signala EEG-a, 2020., diplomski rad, diplomski, Fakultet elektrotehnike i računarstva, Zagreb


CROSBI ID: 1072294 Za ispravke kontaktirajte CROSBI podršku putem web obrasca

Naslov
Arhitekture umjetnih neuronskih mreža za analizu signala EEG-a
(Artificial Neural Network Architectures in EEG Signal Analysis)

Autori
Planinić, Lucija

Vrsta, podvrsta i kategorija rada
Ocjenski radovi, diplomski rad, diplomski

Fakultet
Fakultet elektrotehnike i računarstva

Mjesto
Zagreb

Datum
16.07

Godina
2020

Stranica
42

Mentor
Cifrek, Mario

Neposredni voditelj
Friganović, Krešimir

Ključne riječi
elektroencefalografija (EEG) ; umjetne neuronske mreže ; duboko učenje ; konvolucijske neuronske mreže ; autoenkoderi
(electroencephalography (EEG) ; artificial neural networks (ANN) ; deep learning ; convolutional neural networks (CNN) ; autoencoders)

Sažetak
Elektroencefalografija (EEG) je metoda snimanja električne moždane aktivnosti. Analiza signala EEG-a omogućuje primjenu elektroencefalografije u raznim sustavima, a u tu svrhu se sve više koriste metode strojnog učenja od kojih se ističu umjetne neuronske mreže. U ovom radu korišten je skup signala EEG-a zdravih ispitanika i onih kojima je dijagnosticiran afektivni poremećaj, te su signali klasificirani u dvije klase: „zdravi“ i „bolesni“. Implementirana je konvolucijska neuronska mreža za klasifikaciju signala i autoenkoder za ekstrakciju važnih značajki. Značajke dobivene autoenkoderom zatim su korištene za klasifikaciju pomoću plitkih modela za klasifikaciju (SVM, KNN i Adaboost) i za grupiranje algoritmima za nenadzirano učenje (k-srednjih vrijednosti, aglomerativno grupiranje i DBSCAN). Konvolucijska neuronska mreža i autoenkoder su trenirani tri puta: na nebalansiranom skupu podataka, na skupu balansiranom težinama i na skupu balansiranom poduzorkovanjem. Rezultati su pokazali da je od testiranih modela konvolucijska neuronska mreža najuspješnija u klasifikaciji signala EEG-a (prosječna točnost i F1 mjera u iznosu od 0, 997). Balansiranje poduzorkovanjem imalo je bolje rezultate od balansiranja težinama. Grupiranjem je pokazano da se značajke prirodno grupiraju prema dijagnozi ispitanika

Izvorni jezik
Hrvatski

Znanstvena područja
Računarstvo, Interdisciplinarne tehničke znanosti



POVEZANOST RADA


Ustanove:
Fakultet elektrotehnike i računarstva, Zagreb

Profili:

Avatar Url Krešimir Friganović (mentor)

Avatar Url Mario Cifrek (mentor)


Citiraj ovu publikaciju

Planinić, Lucija
Arhitekture umjetnih neuronskih mreža za analizu signala EEG-a, 2020., diplomski rad, diplomski, Fakultet elektrotehnike i računarstva, Zagreb
Planinić, L. (2020) 'Arhitekture umjetnih neuronskih mreža za analizu signala EEG-a', diplomski rad, diplomski, Fakultet elektrotehnike i računarstva, Zagreb.
@phdthesis{phdthesis, author = {Planini\'{c}, L.}, year = {2020}, pages = {42}, keywords = {elektroencefalografija (EEG), umjetne neuronske mre\v{z}e, duboko u\v{c}enje, konvolucijske neuronske mre\v{z}e, autoenkoderi}, title = {Arhitekture umjetnih neuronskih mre\v{z}a za analizu signala EEG-a}, keyword = {elektroencefalografija (EEG), umjetne neuronske mre\v{z}e, duboko u\v{c}enje, konvolucijske neuronske mre\v{z}e, autoenkoderi}, publisherplace = {Zagreb} }
@phdthesis{phdthesis, author = {Planini\'{c}, L.}, year = {2020}, pages = {42}, keywords = {electroencephalography (EEG), artificial neural networks (ANN), deep learning, convolutional neural networks (CNN), autoencoders}, title = {Artificial Neural Network Architectures in EEG Signal Analysis}, keyword = {electroencephalography (EEG), artificial neural networks (ANN), deep learning, convolutional neural networks (CNN), autoencoders}, publisherplace = {Zagreb} }




Contrast
Increase Font
Decrease Font
Dyslexic Font