|
|
EEG biofeedback
Dvořáček, Michael ; Čmiel, Vratislav (oponent) ; Janoušek, Oto (vedoucí práce)
Vznik EEG aktivity v mozku, rozdělení EEG vln podle frekvence, způsob měření EEG, přístroje pro měření EEG. Dále popis biofeedback metody, její možnosti a návrh biofeedback her. Popis zpracování naměřených EEG signálů.
|
|
|
Analýza a klasifikace dat ze snímače mozkové aktivity
Persich, Alexandr ; Grézl, František (oponent) ; Szőke, Igor (vedoucí práce)
Tato práce se zabývá snímáním, zpracováním a klasifikací mozkové aktivity snímané pomocí brain-computer interface (BCI) zařízení od společnosti OpenBCI a možnostmi využití mozkové aktivity vyvolané představovaným pohybem končetin k ovládání aplikace. K řešení zadaného problému jsou využity metody pro zpracování signálu a strojového učení. Podařilo se vytvořit program umožňující snímání, zpracovávání a klasifikaci mozkové aktivity pomocí umělé neuronové sítě. Průměrná přesnost klasifikace na umělých datech je 99.156%. Na datech reálných se podařilo dosáhnout průměrné přesnosti 73.71%.
|
|
|
Wheelchair control using EEG signal classification
Malý, Lukáš ; Sadovský, Petr (oponent) ; Žalud, Luděk (vedoucí práce)
This diploma thesis presents the concept of mind-controlled electric wheelchair designed for people who are not able to use other interfaces such as hand joystick. Four main components of concept are described: electroencephalography, brain-computer interface, shared control and the electric wheelchair. In the text used methodology is described and results of conducted experiments are presented. In conclusion suggestions for future development are outlined.
|
|
|
Analysis of sleep EEG signal
Ježek, Martin ; Kozumplík, Jiří (oponent) ; Rozman, Jiří (vedoucí práce)
The aim of this study was to develop an automatic detection program for scoring the sleep EEG arousals, based on one of time-frequency analysis methods. The subject of the study was 13 overnight polysomnographic recordings (four leads of EEG, EMG, ECG and EOG), i.e over 100 hours in total. It was a subset of data used in former studies by sleep expert Dr. Emilia Sforza, Geneva, Switzerland, who also provided baseline arousal scoring. Total number of 1551 arousal events were marked in the recordings. Next, several tools for recordings' visualization were developed to facilitate the decision on methods of analysis. Following the conclusions made after extensive visualization of input recordings in different time-frequency representations and regarding the character of EEG as neuroelectric waveforms and computing efficiency, discrete wavelet decomposition with Daubechies order 6 mother wavelet was chosen. The EEG signals were decomposed into six frequency bands. The results together with EMG recordings were used to evaluate a set of indices describing EEG and EMG changes accompanying arousals. These indices were weighted to form linear classifier of microarousal suspicion in each EEG lead – a microarousal was marked as present when it remained suspect in period of 3 to 30 seconds. Outputs of four EEG channels were then integrated to report final outcome. Based on sensitivity and selectivity measures the algorithm was optimized by genetic algorithm. The subject of tuning were the linear classifier parameters and first four of 13 recordings were selected as training data. A microarousal detection program emerged on basis of the tuned algorithm and resulted in average sensitivity of 76,09 %, selectivity of 53,26 % and 97,66 % specificity over all 13 recordings compared to expert visual scorings.
|
|
|
Person Identification and Verification Using EEG
Žitný, Roland ; Orság, Filip (oponent) ; Tinka, Jan (vedoucí práce)
The aim of this work was to create a brain-computer interface that reliably identifies and verifies a person using his electroencephalographic signals. Creating a user profile and verifying it is based on processing reactions to his own face, and the face of strangers or acquaintances. Algorithms such as bandpass and noise removal using wavelet transformation are user to filter signals. The classification of reactions is performed using a convolutional neural network or linear discriminant analysis. The average accuracy of the linear discriminant analysis is 66.2 % and of the convolutional neural network is 58.7 %. The maximum achieved accuracy was with linear discriminant analysis and at 93.7 %.
|
|
|
Classification of mental workload using brain connectivity measure
Doležalová, Radka ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
This thesis deals with possibilities of using EEG connectivity measures for automatic classification of mental workload levels. The theoretical principles of EEG recording and different measures of brain connectivity are discussed at the beginning. Two different levels of mental workload were evoked in healthy participants during real experiments. The course of experiment, processing of recorded EEG, as well as extraction of classification features from EEG based on some connectivity measures (such as cross-correlation, covariance, coherence and phase locking value), and automatic classification approaches (classification based on distance from average, 1-nearestneighbor searching and discriminant analysis) were then described. Obtained results were interpreted and discussed. The best classification accuracy (approx. 60,64%) was obtained using beta band of EEG recorded with 4 channels from different scalp, when features were classified with linear discriminant function.
|
|
|
Analýza spánkového EEG
Sadovský, Petr ; Rozman, Jiří (vedoucí práce)
Práce se zabývá analýzou a zpracováním spánkových signálů EEG. Problematika, která je v ní zpracována se dá rozdělit do několika hlavních oblastí. První oblast se věnuje analýze signálů EEG metodou nezávislých komponent. Na základě specifikace této metody analýzy je navržen a popsán lineární model vzniku signálů EEG. Dále je podrobně rozpracováno posouzení podmínek, za kterých jsou informace získané analýzou platné. Další část se věnuje využití metody nezávislých komponent k odstranění nedeterministických artefaktů ze signálů EEG. Druhou hlavní oblastí je analýza stacionarity spánkových signálů EEG, hledání stacionárních úseků signálů a analýza statistických vlastností těchto stacionárních úseků. Další oblast je zaměřena na spektrální analýzu spánkových signálů EEG. V této oblasti jsou analyzovány děje, které se podílí na vzniku konkrétních spekter signálů EEG. Je zde také provedena analýza stochastických signálů, které jsou nedílnou součástí záznamu signálů EEG. Poslední oblast je zaměřena na eliminaci přechodných dějů, které vznikají při filtraci krátkých úseků signálů EEG na jeho začátku.
|
|
|
Automatizované měření vlastností zesilovačů biologických signálů
Flídr, Karel ; Balogh, Jaroslav (oponent) ; Harabiš, Vratislav (vedoucí práce)
Tato bakalářská práce se věnuje zesilovačům pro biologické signály. V této práci jsou uvedeny základní elektrodiagnostické metody pro snímání biologických signálů. V práci je popsáno zpracování biologických signálů a druhy snímačů pro biologické signály. Dále je zde popsáno vývojové prostředí LabVIEW a vývojová deska NI ELVIS II. Závěrem je zde popsaná vytvořená aplikace v LabVIEW pro měření vlastností zesilovačů.
|
|
| |
|
|
Klasifikace spánkových stádií
Nováková, Kateřina ; Ronzhina, Marina (oponent) ; Potočňák, Tomáš (vedoucí práce)
Předložená práce se zabývá základním popisem polysomnografického měření, morfologií spánku a jeho stádii. Dále jsou zde uvedeny vybrané metody zpracování elektroencefalografických signálů. Techniky zpracování jsou zejména zaměřeny na klasifikaci spánkových stádií. Praktická část práce se zabývá realizací tří metod klasifikace s využitím umělých neuronových sítí a ověřením funkčnosti těchto metod. Všechny algoritmy jsou zpracovány v prostředí programu Matlab. Příznakové vektory jsou získány pomocí výpočtu energií, Welchovy spektrální analýzy a Hilbert-Huangovy transformace. Pro klasifikaci jsou zde využity tři typy umělých neuronových sítí - rekurentní neuronová síť, dopředná síť a síť pro klasifikaci vzorů. Na základě příznakových vektorů je spánek klasifikován do stádií bdělost (W), spánek bez výskytu rychlých očních pohybů (NREM) a spánek s výskytem rychlých očních pohybů (REM).
|
host ::
RSS.