Snaha napodobit lidský (zvířecí) mozek existuje už dlouho. Prvním velkým krokem byly analogové neuronové sítě. Tyto sítě mají spoustu podtypů, které všechny pracují na principu spojitých dat, ale to není vždy úplně možné. Pro práci s diskrétními daty byly vyvinuty impulzivní neuronové sítě, které napodobují mozkové chování ještě lépe a pracují s diskrétními daty. Velký problém u neuronových sítí obecně je schopnost se učit. K tomu je zapotřebí množina dat. Ve spoustě oblastí je získávaní dat jednoduché. V oblasti Elektroencefalografických (EEG) dat je velmi obtížné získat data. Proto se tato práce zabývá umělým zvětšením již naměřené množiny dat za účelem zlepšení úspěšnosti automatického rozpoznávání P300 signálů. Toto zvětšení je provedeno přidáním umělých prvků. Výsledky ukazují, že tato metoda je možným a funkčním řešením.
Anotace v angličtině
There have been a lot of attempts of human (animal) brain simulation. Analogue neural networks were the first major step. These neural networks have various sub-types. All these types work with continuous data but this data is not available every time. Spiking neural networks were developed for work with discrete data. Neural networks in general have big problems with learning. A dataset is necessary for learning. In many cases adding new samples into dataset is not any problem. In neural signals like Electroencephalography (EEG), it is a big problem to get new samples. Because of it, this thesis aims to augment an existing dataset in order to increase the accuracy of automatic recognition of P300 signals. This augmentation is done by adding the synthetic samples. The results show that augmentation is really possible and a functional solution.
Snaha napodobit lidský (zvířecí) mozek existuje už dlouho. Prvním velkým krokem byly analogové neuronové sítě. Tyto sítě mají spoustu podtypů, které všechny pracují na principu spojitých dat, ale to není vždy úplně možné. Pro práci s diskrétními daty byly vyvinuty impulzivní neuronové sítě, které napodobují mozkové chování ještě lépe a pracují s diskrétními daty. Velký problém u neuronových sítí obecně je schopnost se učit. K tomu je zapotřebí množina dat. Ve spoustě oblastí je získávaní dat jednoduché. V oblasti Elektroencefalografických (EEG) dat je velmi obtížné získat data. Proto se tato práce zabývá umělým zvětšením již naměřené množiny dat za účelem zlepšení úspěšnosti automatického rozpoznávání P300 signálů. Toto zvětšení je provedeno přidáním umělých prvků. Výsledky ukazují, že tato metoda je možným a funkčním řešením.
Anotace v angličtině
There have been a lot of attempts of human (animal) brain simulation. Analogue neural networks were the first major step. These neural networks have various sub-types. All these types work with continuous data but this data is not available every time. Spiking neural networks were developed for work with discrete data. Neural networks in general have big problems with learning. A dataset is necessary for learning. In many cases adding new samples into dataset is not any problem. In neural signals like Electroencephalography (EEG), it is a big problem to get new samples. Because of it, this thesis aims to augment an existing dataset in order to increase the accuracy of automatic recognition of P300 signals. This augmentation is done by adding the synthetic samples. The results show that augmentation is really possible and a functional solution.
Seznamte se s koncepty umělých a impulzních neuronových sítí a jejich využitím pro klasifikaci biologických signálů.
Seznamte se s datovými kolekcemi, experimenty a klasifikátory používanými neuroinformatickou skupinou KIV pro elektroencefalografická data.
Na základě bodů 1 a 2 vyberte vhodnou datovou kolekci a klasifikátory (zahrnující jak klasické, tak impulzní neuronové sítě) pro další experimentování.
Navrhněte a implementujte metodu rozšíření vybrané datové kolekce z bodu 3.
Použijte vybrané klasifikátory z bodu 3 nad rozšířenou datovou kolekcí z bodu 4.
Porovnejte výsledky klasifikace nad původní a rozšířenou datovou kolekcí.
Zásady pro vypracování
Seznamte se s koncepty umělých a impulzních neuronových sítí a jejich využitím pro klasifikaci biologických signálů.
Seznamte se s datovými kolekcemi, experimenty a klasifikátory používanými neuroinformatickou skupinou KIV pro elektroencefalografická data.
Na základě bodů 1 a 2 vyberte vhodnou datovou kolekci a klasifikátory (zahrnující jak klasické, tak impulzní neuronové sítě) pro další experimentování.
Navrhněte a implementujte metodu rozšíření vybrané datové kolekce z bodu 3.
Použijte vybrané klasifikátory z bodu 3 nad rozšířenou datovou kolekcí z bodu 4.
Porovnejte výsledky klasifikace nad původní a rozšířenou datovou kolekcí.