Original title: Metody zpřesnění klasifikace elektroencefalografických dat
Translated title: Methods for improving the classification of electroencephalographic data
Authors: Novosád, Juraj ; Zaheer, Muhammad Asad (referee) ; Tinka, Jan (advisor)
Document type: Master’s theses
Year: 2026
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Táto práca sa zameriava na metódy strojového učenia pre použitie v brain computer rozhraniach založených na EEG, s dôrazom na klasifikáciu krátkych časových okien vhodnú pre budúce online BCI aplikácie. Sú navrhnuté dve nové metódy: priestorová augmentácia dát využívajúca 3D rozmiestnenie elektród na pokožke hlavy a metóda extrakcie príznakov, ktorá transformuje EEG do topografickej reprezentácie podobnej videu a klasifikuje ju pomocou video architektúr, ako je Video Vision Transformer. Implementované sú aj dve referenčné augmentačné metódy (pridanie Gaussovho šumu, rotačná priestorová augmentácia) a tri referenčné klasifikačné prístupy (EEGNet, FBCSP a Patched Brain Transformer). Evaluačný rámec zohľadňujúci rozdelenie podľa subjektov, založený na Leave-One-Group-Out a K-fold krížovej validácii v rámci jednotlivých subjektov, je aplikovaný na dataset BCI Competition IV-2a. EEGNet dosahuje najvyššiu presnosť (47,4 % LOGO, 65,2 % K-fold), pričom navrhovaná augmentácia produkuje výsledky porovnateľné s východzími hodnotami. Práca ďalej rozoberá obmedzenia evaluovaných transformer modelov a navrhuje konkrétne smery pokračovania tejto práce. This thesis studies machine-learning methods for EEG-based brain-computer interfaces, with a focus on short-time-window classification suitable for future online BCI applications. Two new methods are proposed: a spatial data augmentation that uses the 3D arrangement of electrodes on the scalp, and a feature-extraction method that transforms EEG into a topographic video-like representation and classifies it with video architectures such as the Video Vision Transformer. Two reference augmentation methods (Gaussian noise addition, rotational augmentation) and three reference classification approaches (EEGNet, FBCSP and the Patched Brain Transformer) are also implemented. A subject aware evaluation framework based on Leave-One-Group-Out and per-subject K-fold cross-validation is designed and applied to the BCI Competition IV-2a dataset. EEGNet reaches the highest accuracy (47.4 % LOGO, 65.2 % K-fold), while the proposed augmentation produces results comparable to the baseline. The thesis further discusses limitations of the evaluated transformer models and proposes concrete directions for continuing this work.
Keywords: augmentácia; BCI; Elektroencefalografia; HMI; klasifikácia; MotorImagery; signál; augmentation; BCI; classification; Electroencephalography; HMI; MotorImagery; signal

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/11012/260528

Permalink: http://www.nusl.cz/ntk/nusl-776132


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