Spánek je nedílnou součástí lidského života a průměrný člověk prospí asi jeho
jednu třetinu. Proto je důležité spánku rozumět a správně ho analyzovat.
Cílem diplomové práce je navrhnout, implementovat a otestovat různé typy
metod strojového učení vhodné pro zpracování EEG signálu a identifikaci
spánkových vřetének. Učící se algoritmy byly natrénovány na anotovaných
datech, poskytnutých datovým centrem Montreal Archive of Sleep Studies
(MASS). Nejlepšího výsledku klasifikace dosáhla konvoluční neuronová síť s
přesností přes 67%.
Anotace v angličtině
Sleep is an integral part of human life, and the average person sleeps about
one-third of their life. Therefore, it is important to understand sleep and
analyze it correctly. The goal of this master thesis is to propose, design, implement, and test various machine/deep learning methods suitable for EEG
signal processing to identify sleep spindles. The learning algorithms were
trained on well-annotated data provided by the Montreal Archive of Sleep
Studies (MASS) data center. The best classification result was achieved by
the convolutional neuron network with an accuracy of over 67%.
Spánek je nedílnou součástí lidského života a průměrný člověk prospí asi jeho
jednu třetinu. Proto je důležité spánku rozumět a správně ho analyzovat.
Cílem diplomové práce je navrhnout, implementovat a otestovat různé typy
metod strojového učení vhodné pro zpracování EEG signálu a identifikaci
spánkových vřetének. Učící se algoritmy byly natrénovány na anotovaných
datech, poskytnutých datovým centrem Montreal Archive of Sleep Studies
(MASS). Nejlepšího výsledku klasifikace dosáhla konvoluční neuronová síť s
přesností přes 67%.
Anotace v angličtině
Sleep is an integral part of human life, and the average person sleeps about
one-third of their life. Therefore, it is important to understand sleep and
analyze it correctly. The goal of this master thesis is to propose, design, implement, and test various machine/deep learning methods suitable for EEG
signal processing to identify sleep spindles. The learning algorithms were
trained on well-annotated data provided by the Montreal Archive of Sleep
Studies (MASS) data center. The best classification result was achieved by
the convolutional neuron network with an accuracy of over 67%.