Original title:
Hodnocení míry mentální zátěže za použití mozkové konektivity
Translated title:
Classification of mental workload using brain connectivity measure
Authors:
Doležalová, Radka ; Kolářová, Jana (referee) ; Ronzhina, Marina (advisor) Document type: Master’s theses
Year:
2015
Language:
eng Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[eng][cze]
Tato práce se zabývá využitím EEG dat pro výpočet mozkové konektivity a vytvořením klasifikátoru mentální zátěže. Nejdříve je popsán teoretický základ EEG, následně jsou rozebrány některé metody pro určení mozkové konektivity. Pro výpočet klasifikačních příznaků byla použita data nasnímaná během experimentu, který manipuloval s mentální zátěží ve dvou stupních. V práci je popsán průběh experimentu, zpracování a redukce nasnímaných dat, stejně jako extrakce příznaků z nasnímaných EEG dat pomocí několika metod měření konektivity (korelační funkce, kovariance, koherence a míra fázové soudržnosti) a následná automatická klasifikace třemi způsoby (na základě vzdálenosti od vzoru tvořeného průměrem, metoda nejbližšího souseda a diskriminační alanýza). Dosažené výsledky jsou detailně popsány a diskutovány. Nejlepšího výsledku (úspěšnost 60,64%) bylo dosaženo při použití kovarianční matice určené z dat získaných ze 4 elektrod z různých mozkových oblastí (beta pásmo EEG) při klasifikaci založené na lineární diskriminační funkci.
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.
Keywords:
EEG; klasifikace mentální zátěže; koherence; korelace; kovariance; míra fázové soudržnosti.; měření mozkové konektivity; automatic classification of mental workload; brain connectivity measure; coherence; covariance; cross-correlation; EEG; phase locking value.
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/42799