prikaz prve stranice dokumenta Raspoznavanje visokorizičnih mentalnih stanja pilota na temelju obrade fizioloških signala metodama dubokog učenja
  Download
PDF 2.65 MB
master's thesis
Raspoznavanje visokorizičnih mentalnih stanja pilota na temelju obrade fizioloških signala metodama dubokog učenja
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2024. urn:nbn:hr:168:262339
Nekić, Sven
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Nekić, S. (2024). Raspoznavanje visokorizičnih mentalnih stanja pilota na temelju obrade fizioloških signala metodama dubokog učenja (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:262339

Nekić, Sven. "Raspoznavanje visokorizičnih mentalnih stanja pilota na temelju obrade fizioloških signala metodama dubokog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2024. https://urn.nsk.hr/urn:nbn:hr:168:262339

Nekić, Sven. "Raspoznavanje visokorizičnih mentalnih stanja pilota na temelju obrade fizioloških signala metodama dubokog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2024. https://urn.nsk.hr/urn:nbn:hr:168:262339

Nekić, S. (2024). 'Raspoznavanje visokorizičnih mentalnih stanja pilota na temelju obrade fizioloških signala metodama dubokog učenja', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 02 April 2025, https://urn.nsk.hr/urn:nbn:hr:168:262339

Nekić S. Raspoznavanje visokorizičnih mentalnih stanja pilota na temelju obrade fizioloških signala metodama dubokog učenja [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2024 [cited 2025 April 02] Available at: https://urn.nsk.hr/urn:nbn:hr:168:262339

S. Nekić, "Raspoznavanje visokorizičnih mentalnih stanja pilota na temelju obrade fizioloških signala metodama dubokog učenja", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:168:262339

Metadata
TitleRaspoznavanje visokorizičnih mentalnih stanja pilota na temelju obrade fizioloških signala metodama dubokog učenja
Title (english)Recognition of pilots' high-risk mental states based on physiological signal processing by deep learning methods
AuthorSven Nekić
MentorSiniša Popović (mentor)
Committee memberSiniša Popović (predsjednik povjerenstva)
Committee memberAlan Jović (član povjerenstva)
Committee memberNikolina Frid (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2024-07-10, Croatia
Abstract
U ovom radu primijenjena su tri modela dubokog učenja za klasificiranje visokorizičnih mentalnih stanja pilota. Ispitane arhitekture su ResNet autoenkoder i klasifikator, ResNet klasifikator i U-NET 1D. Za procjenu su korištene metrike evaluacije točnosti, preciznosti, odziva, F1 i Cohen Kappa. ResNet Autoenkoder i klasifikator te U-NET 1D pokazuju vrlo ograničenu sposobnost klasificiranja korištenjem LFSO (engl. Leave Five Subject Out) unakrsne validacije, dok ResNet klasifikator daje bolje... More rezultate. ResNet klasifikator LFSO validacijom postigao je najbolju točnost od 68.91% na skupu za validaciju, ali i dalje postoji velik broj lažno pozitivnih klasificiranja. U-NET 1D model pokazao je loše rezultate korištenjem LFSO validacije, ali znatno bolje rezultate korištenjem K-Fold validacije, posebno u binarnoj klasifikaciji, gdje postiže točnost od 84.15%. Less
Abstract (english)
In this paper, three deep learning models were applied to classify high-risk mental states of pilots. The tested architectures are ResNet autoencoder and classifier, ResNet classifier and U-NET 1D. The evaluation metrics of accuracy, precision, recall, F1 and Cohen Kappa were used for evaluation. ResNet Autoencoder and classifier and U-NET 1D show very limited accuracy using LFSO (Leave Five Subject Out) cross-validation, while ResNet classifier gives better results. The ResNet classifier... More with LFSO validation achieved the best accuracy of 68.91% on the validation set, but there are still a large number of false positive classifications. The U-NET 1D model showed poor results using LFSO validation, but significantly better results using K-Fold validation, especially in binary classification, where it achieves an accuracy of 84.15%. Less
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:262339
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Public note
Created on2025-02-25 13:37:12
accessibility

closeAccessibilityrefresh

If you wish to permanently save changes, click on Save, if not - your settings will be reset when you restart the browser.