Informace o kvalifikační práci Návrh jednoduchého klasifikátoru pro detekci změn spektrálních vlastností EEG (tzv. ERD/ERS) v souvislosti s pohybem ruky
Kontinuální EEG aktivita u měřených subjektů obsahuje různé vzory podle toho, co měřený subjekt vykonával. ERD a ERS jsou příklady takovýchto vzorů, které souvisejí s pohybem ruky (prstu, nohy). Tato práce se zabývá detekcí pohybu na základě ERD/ERS vzorů. Spojením ERD/ERS vznikají příznakové vektory, které jsou klasifikovány neuronovou sítí. Výsledná neuronová síť se skládá z jedné vstupní a výstupní vrstvy a ze dvou skrytých vrstev, kde první skrytá vrstva obsahuje 3 000 neuronů a druhá skrytá vrstva 1 500 neuronů. Pro trénování této neuronové sítě je použita trénovací množina příznakových vektorů a pro následné nastavování vah je použit algoritmus Backpropagation. S tímto nastavením a trénováním je neuronová síť schopna klasifikovat pohyb v EEG záznamu s průměrnou přesností 79,92%.
Anotace v angličtině
Continual EEG activity in the measured subjects includes various types according to what the subject performed. ERD and ERS are examples of such types related to hand motion (finger or foot). This thesis deals with the detection of motion based on the ERD/ERS patterns. Through the connection of ERD/ERS, specific vectors which are classified by neural network are created. The resulting neural network consists of one input and one output layer and two hidden layers. The first hidden layer contains 3,000 neurons and the other one 1,500 neurons. A training set of specific vectors is used for the training of this neural network and the Backpropagation algorithm is used for the subsequent adjustment of weight. Within this setting and training, the neural network is able to classify motion in an EEG record with an average accuracy of 79.92%.
Kontinuální EEG aktivita u měřených subjektů obsahuje různé vzory podle toho, co měřený subjekt vykonával. ERD a ERS jsou příklady takovýchto vzorů, které souvisejí s pohybem ruky (prstu, nohy). Tato práce se zabývá detekcí pohybu na základě ERD/ERS vzorů. Spojením ERD/ERS vznikají příznakové vektory, které jsou klasifikovány neuronovou sítí. Výsledná neuronová síť se skládá z jedné vstupní a výstupní vrstvy a ze dvou skrytých vrstev, kde první skrytá vrstva obsahuje 3 000 neuronů a druhá skrytá vrstva 1 500 neuronů. Pro trénování této neuronové sítě je použita trénovací množina příznakových vektorů a pro následné nastavování vah je použit algoritmus Backpropagation. S tímto nastavením a trénováním je neuronová síť schopna klasifikovat pohyb v EEG záznamu s průměrnou přesností 79,92%.
Anotace v angličtině
Continual EEG activity in the measured subjects includes various types according to what the subject performed. ERD and ERS are examples of such types related to hand motion (finger or foot). This thesis deals with the detection of motion based on the ERD/ERS patterns. Through the connection of ERD/ERS, specific vectors which are classified by neural network are created. The resulting neural network consists of one input and one output layer and two hidden layers. The first hidden layer contains 3,000 neurons and the other one 1,500 neurons. A training set of specific vectors is used for the training of this neural network and the Backpropagation algorithm is used for the subsequent adjustment of weight. Within this setting and training, the neural network is able to classify motion in an EEG record with an average accuracy of 79.92%.
Prostudujte materiály týkající se změny spektrálních vlastností EEG (tzv. Event related desynchronization/synchronization - ERD/ERS) v souvislosti s pohybem.
Navrhněte jednoduchý scénář pro měření ERD/ERS související s pohybem, popř. představou pohybu) a naměřte odpovídající EEG pro 5-10 osob.
Na základě průběhu ERD/ERS navrhněte jednoduchý klasifikátor, který bude v záznamech EEG detekovat pohyb.
Implementujte navržený klasifikátor a ověřte jeho funkčnost.
Zhodnoťte dosažené výsledky.
Zásady pro vypracování
Prostudujte materiály týkající se změny spektrálních vlastností EEG (tzv. Event related desynchronization/synchronization - ERD/ERS) v souvislosti s pohybem.
Navrhněte jednoduchý scénář pro měření ERD/ERS související s pohybem, popř. představou pohybu) a naměřte odpovídající EEG pro 5-10 osob.
Na základě průběhu ERD/ERS navrhněte jednoduchý klasifikátor, který bude v záznamech EEG detekovat pohyb.
Implementujte navržený klasifikátor a ověřte jeho funkčnost.