Název: Evoluční optimalizace extraktoru příznaků klasifikátoru EEG
Překlad názvu: Evolutionary Optimization of the EEG Classifier Feature Extractor
Autoři: Ovesná, Anna ; Hurta, Martin (oponent) ; Mrázek, Vojtěch (vedoucí práce)
Typ dokumentu: Bakalářské práce
Rok: 2023
Jazyk: cze
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [cze] [eng]
Tato práce se zaměřuje na optimalizaci klasifikace EEG signálu alkoholiků a kontrolních subjektů pomocí evolučních algoritmů s vícekriteriálním přístupem. Hlavním cílem je maximalizovat přesnost, senzitivitu a specificitu klasifikačního algoritmu a minimalizovat počet použitých příznaků. Práce využívá čtyři různé klasifikátory, konkrétně Support Vector Machine, k-nearest neighbors, Naive Bayes a AdaBoost. Výběr nejlepších příznaků je optimalizován pomocí tří různých evolučních přístupů, z nichž dva převádějí vícekriteriální optimalizaci na jednokriteriální pomocí váženého součtu a omezení maximálního počtu příznaků. Pareto optimální řešení nalézá algoritmus NSGA-II. Výsledky dokazují, že evoluční algoritmy v kombinaci s vhodnými klasifikátory spolehlivě rozeznají člověka se sklonem k alkoholismu od toho se zdravým vztahem k alkoholu. This work focuses on the optimisation of EEG signal classification of alcoholics and control subjects using evolutionary algorithms with a multi-objective approach. The main goal is to maximise the accuracy, sensitivity and specificity of the classification algorithm and minimise the number of features used. Four different classifiers are used, namely Support Vector Machine, k-nearest neighbors, Naive Bayes and AdaBoost. The selection of the best features is optimised using three different evolutionary approaches, two of which convert multi-objective optimisation to single-objective using weighted summation or restricting the maximum number of features. The Pareto optimal solutions are found by the NSGA-II algorithm. Results show that the evolutionary algorithms, combined with appropriate classifiers, reliably distinguish a person with a tendency to alcoholism from one with a healthy relationship towards alcohol.
Klíčová slova: elektroencefalogram; evoluční algoritmy; extrakce příznaků; klasifikace signálů; odhalení alkoholismu; vícekriteriální optimalizace; wavelet transformation; alcoholism detection; electroencephalogram; evolutionary algorithms; features extraction; multi objective optimisation; signals classification; wavelet transformation

Instituce: Vysoké učení technické v Brně (web)
Informace o dostupnosti dokumentu: Plný text je dostupný v Digitální knihovně VUT.
Původní záznam: http://hdl.handle.net/11012/211062

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-529339


Záznam je zařazen do těchto sbírek:
Školství > Veřejné vysoké školy > Vysoké učení technické v Brně
Vysokoškolské kvalifikační práce > Bakalářské práce