|
| |
|
|
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.
|
|
|
Human Sleep EEG Analysis
Sadovský, Petr ; Rozman, Jiří (advisor)
This thesis deals with analysis and processing of the Sleep Electroencephalogram (EEG) signals. The scope of this thesis can be split into several areas. The first area is application of the Independent Component Analysis (ICA) method for EEG signal analysis. A model of EEG signal formation is proposed and conditions under which this model is valid are examined. It is shown that ICA can be used to remove non-deterministic artifacts contained in the EEG signals. The second area of interest is analysis of stationarity of the Sleep EEG signal. Methods to identify stationary signal segments and to analyze statistical properties of these stationary segments are presented. The third area of interest focuses on spectral analysis of the Sleep EEG signals. Analyses are performed that shows the processes that form particular parts of EEG signals spectrum. Also, random signals that are an integral part of the EEG signals analysis are performed. The last area of interest focuses on elimination of the transition processes that are caused by the filtering of the short EEG signal segments.
|
|
|
Automatic measurement of characteristics of ampliers used for biosignals
Flídr, Karel ; Balogh, Jaroslav (referee) ; Harabiš, Vratislav (advisor)
This thesis is dedicated to operational amplifiers for biological signals. This work provides basic electrodiagnostic methods for scanning of biosignals. The work describes the processing of biological signals and types of sensors used for scanning of biological signals. Then there is described the development environment LabVIEW and NI ELVIS II development board. Finally, there is described an application developed in LabVIEW environment for measuring amplifiers attributes.
|
|
|
Controlling a Virtual Robot Using a Hybrid Brain-Computer Interface with Visual and Auditory Cues
Prášil, Matěj ; Hrubý, Martin (referee) ; Tinka, Jan (advisor)
This work deals with the control of a virtual robot using a hybrid interface between the brain and a computer in response to visual and auditory evoked potentials, EEG signal analysis and processing. OpenBCI hardware is used for scanning. I studied the methods needed for signal processing and designed applications. The output is two applications, one for controlling a virtual robot and the other for signal processing and classification. The average accuracy of signal classification on real data is low, only 22.35%
|
|
|
Sleep stages classification
Nováková, Kateřina ; Ronzhina, Marina (referee) ; Potočňák, Tomáš (advisor)
This work deals with the basic description of polysomnography, sleep morphology and sleep stages. Furtherly, some methods to process electroencephalographic signals are mentioned. Those processing methods are mainly focused on sleep stage classification. The practical part deals with the realization of three classification algorithms using artificial neural networks and verifying the functionality of these methods. All algorithms are designed in Matlab. Feature vectors for individual methods are obtained using energy values, Welch's spectral analysis and Hilbert-Huang Transform. For classification three types of artificial neural networks were used - layer recurrent network, feedforward network and pattern recognition network. On the basis of feature vectors, the sleep is divided into three stages - wakefulness (W), sleep without rapid eye movements (NREM) and sleep with rapid eye movements (REM).
|
guest ::
