|
|
Processing of electroencephalograms
Polanský, Štěpán ; Janoušek, Oto (referee) ; Kolářová, Jana (advisor)
This work describes basics of electroencaphalography, measuring electroencaphalography signals, their processing and evaluation. There is discussed method of topography mapping of brain activity called brainmapping. The practical part contains description of design aplication in Matlab.
|
|
|
Time Frequency Analysis of ERP Signals
Bartůšek, Jan ; Provazník, Ivo (referee) ; Černocký, Jan (advisor)
Tato práce se zabývá vylepšením algoritmu pro sdružování (clustering) ERP signálů pomocí analýzy časových a prostorových vlastností pseudo-signálů získaných za pomocí metody analýzy nezávislých komponent (Independent Component Analysis). Naším zájmem je nalezení nových vlastností, které by zlepšily stávající výsledky. Tato práce se zabývá použitím Fourierovy transformace (Fourier Transform), FIR filtru a krátkodobé Fourierovy transformace ke zkvalitnění informace pro sdružovací algoritmy. Princip a použitelnost metody jsou popsány a demonstrovány ukázkovým algoritmem. Výsledky ukázaly, že pomocí dané metody je možné získat ze vstupních dat zajímavé informace, které mohou být úspěšně použity ke zlepšení výsledků.
|
|
|
Data Analysis and Clasification from the Brain Activity Detector
Ullrich, Petr ; Šůstek, Martin (referee) ; Szőke, Igor (advisor)
This thesis deals with the issue of recording brain activity, implementation of its processing, analysis and classification. The OpenBCI hardware is used for recording. I have studied and described necessary information about recording brain activity and OpenBCI project. Design for data set, data processing and thoughts classification was created. Created system allows classification based on recorded brain activity. The neural network was used for classfication, but the success of the recognition of designed classes was not high.
|
|
|
Typing Using Brain Signals
Wagner, Lukáš ; Malinka, Kamil (referee) ; Tinka, Jan (advisor)
This bachelor thesis focusses on the implementation of a brain-computer interface, programmed in Python language, that would enable to communicate using EEG. The thesis investigates and evaluates existing brain-computer interface technologies for this purpose. The thesis also explores the use of machine learning applied to the technology, in particular neural networks, which have proven to be one of the most accurate methods of EEG signal processing. Following that, 3 different systems are proposed and implemented, each on different paradigm of visually evoking EEG potential changes. These systems were tested with different signal classification approaches. Unfortunately, none of the systems proved to be useful in communication.
|
|
| |
|
|
Data Analysis and Clasification from the Brain Activity Detector
Persich, Alexandr ; Grézl, František (referee) ; Szőke, Igor (advisor)
This thesis describes recording, processing and classifying brain activity which is being captured by a brain-computer interface (BCI) device manufactured by OpenBCI company. Possibility of use of such a device for controlling an application with brain activity, specifically with thinking of left or right hand movement, is discussed. To solve this task methods of signal processing and machine learning are used. As a result a program that is capable of recording, processing and classifying brain activity using an artificial neural network is created. An average accuracy of classification of synthetic data is 99.156%. An average accuracy of classification of real data is 73.71%.
|
|
|
Wheelchair control using EEG signal classification
Malý, Lukáš ; Sadovský, Petr (referee) ; Žalud, Luděk (advisor)
Tato diplomová práce představuje koncept elektrického invalidního vozíku ovládaného lidskou myslí. Tento koncept je určen pro osoby, které elektrický invalidní vozík nemohou ovládat klasickými způsoby, jakým je například joystick. V práci jsou popsány čtyři hlavní komponenty konceptu: elektroencefalograf, brain-computer interface (rozhraní mozek-počítač), systém sdílené kontroly a samotný elektrický invalidní vozík. V textu je představena použitá metodologie a výsledky provedených experimentů. V závěru jsou nastíněna doporučení pro budoucí vývoj.
|
|
|
Analysis of sleep EEG signal
Ježek, Martin ; Kozumplík, Jiří (referee) ; Rozman, Jiří (advisor)
Cílem této práce byl vývoj programu pro automatickou detekci arousalu v signálu spánkového EEG s použitím metod časově-frekvenční analýzy. Předmětem studie bylo 13 celonočních polysomnografických nahrávek (čtyři svody EEG, EMG, EKG a EOG), tj. celkově více než 100 hodin záznamu. Jednalo se o část dat z dřívějších výzkumných prací expertní lékařky v problematice spánku Dr. Emilie Sforzy, Ženeva, Švýcarsko, která rovněž poskytla základní hodnocení těchto dat. V záznamech bylo celkem označeno 1551 arousal událostí. Pro usnadnění výběru konkrétní metody časově-frekvenční analýzy byla následně vytvořena sada nástrojů pro vizualizaci jednotlivých signálů a jejich různých časově-frekvenčních vyjádření. S ohledem na závěry vizuální analýzy, charakter signálu EEG a efektivitu výpočetních metod byla pro analýzu vybrána waveletová transformace s mateřskou vlnkou Daubechies řádu 6. Jednotlivé svody EEG byly dekomponovány do šesti frekvenčních pásem. Z takto odvozených signálů a signálu EMG byly následně stanoveny ukazatele možné přítomnosti události arousalu. Tyto ukazatele byly dále váhovány lineárním klasifikátorem, jehož hodnoty vah byly optimalizovány pomocí genetického algoritmu. Na základě hodnoty lineárního klasifikátoru bylo rozhodnuto o přítomnosti události arousalu v daném svodě EEG – arousal byl detekován, jestliže hodnota klasifikátoru překročila danou mez na dobu více než 3 a méně než 30 vteřin. V celém záznamu pak byl arousal označen, byl-li detekován alespoň v jednom ze svodů EEG. Následně byly odvozeny míry senzitivity a selektivity detekce, jež byly rovněž základem pro stanovení fitness funkce genetického algoritmu. Pro učení genetického algoritmu byly vybrány první čtyři záznamy. Na základě takto optimalizovaných vah vznikl program pro automatickou detekci, který na celém souboru 13 záznamů dosáhl ve srovnání s expertním hodnocením míry senzitivity 76,09%, selektivity 53,26% a specificity 97,66%.
|
|
|
Person Identification and Verification Using EEG
Žitný, Roland ; Orság, Filip (referee) ; Tinka, Jan (advisor)
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 (referee) ; Ronzhina, Marina (advisor)
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.
|
guest ::
