Original title: Diagnosing anxiety and depression from brain electroencephalogram (EEG) signals
Translated title: Diagnosing anxiety and depression from brain electroencephalogram (EEG) signals
Authors: Osvald, Martin ; Jaroš, Marta (referee) ; Malik, Aamir Saeed (advisor)
Document type: Master’s theses
Year: 2024
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Duševné poruchy predstavujú širokú škálu emócií v našej spoločnosti. Tieto psychické stavy významne ovplyvňujú kognitívne, emocionálne a behaviorálne fungovanie jednotlivcov. Bežné duševné poruchy sa vzťahujú na dve hlavné diagnostické kategórie: depresívne poruchy a úzkostné poruchy. Cielom tejto práce je nájsť novú metódu na detekciu či daný pacient trpí úzkosťou alebo depresiou pomocou klasifikácie EEG. V tejto práci používame kombináciu genetických algoritmov a modelov z hlbokého učení. Mental disorders represent inevitable emotions in our society. These psychological states affect the cognitive, emotional and behavioural functioning of individuals. Common men- tal disorders fall into two main diagnostic categories: depressive disorders and anxiety disorders. The aim of this work is to find a new method for detecting whether a given patient suffers from anxiety or depression using EEG classification. In this work, we use a combination of genetic algorithms and models from deep learning.
Keywords: Bert; CNN; depresia; EEG; genetické algoritmy; Strojové učenie; SVM; Transformers; úzkosť; Anxiety; Bert; CNN; EEG; genetics algorithm; Machine Learning; Major Depressive Disorder; SVM; Transformers

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: https://hdl.handle.net/11012/248879

Permalink: http://www.nusl.cz/ntk/nusl-618913


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses