prikaz prve stranice dokumenta Klasifikacija afektivnih poremećaja metodama strojnog učenja
No public access
master's thesis
Klasifikacija afektivnih poremećaja metodama strojnog učenja
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2021. urn:nbn:hr:168:108069
Jovičić, Eda
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Jovičić, E. (2021). Klasifikacija afektivnih poremećaja metodama strojnog učenja (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:108069

Jovičić, Eda. "Klasifikacija afektivnih poremećaja metodama strojnog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2021. https://urn.nsk.hr/urn:nbn:hr:168:108069

Jovičić, Eda. "Klasifikacija afektivnih poremećaja metodama strojnog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2021. https://urn.nsk.hr/urn:nbn:hr:168:108069

Jovičić, E. (2021). 'Klasifikacija afektivnih poremećaja metodama strojnog učenja', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 04 July 2024, https://urn.nsk.hr/urn:nbn:hr:168:108069

Jovičić E. Klasifikacija afektivnih poremećaja metodama strojnog učenja [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2021 [cited 2024 July 04] Available at: https://urn.nsk.hr/urn:nbn:hr:168:108069

E. Jovičić, "Klasifikacija afektivnih poremećaja metodama strojnog učenja", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2021. Available at: https://urn.nsk.hr/urn:nbn:hr:168:108069

Metadata
TitleKlasifikacija afektivnih poremećaja metodama strojnog učenja
Title (english)Classification of Affective Disorders Using Machine Learning Methods
AuthorEda Jovičić
MentorMario Cifrek (mentor)
Committee memberMario Cifrek (predsjednik povjerenstva)
Committee memberIgor Krois (član povjerenstva)
Committee memberŽeljka Lučev Vasić (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2021-07-08, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Electrical Engineering
Abstract
Afektivni poremećaji su psihički poremećaji raspoloženja u koje spada povratni depresivni poremećaj. Elektroencefalografija je postupak snimanja električne aktivnosti mozga postavljanjem elektroda na površinu glave. Strojno učenje se bavi razvojem metoda za što točnije i učinkovitije učenje i generalizaciju podataka. U ovom radu, korišten je skup podataka u kojem se nalaze snimke EEG-a zdravih ispitanika i onih s dijagnozom povratnog depresivnog poremećaja. Na skupu signala EEG-a izvršena je predobradba i obradba s ciljem uklanjanja šuma i izdvajanja značajki. Izdvojena su dva seta podataka: set izdvojenih značajki i set značajki bipolarnog signala. Korištenjem metoda strojnog učenja, setovi značajki klasificirani su u dvije klase: „zdravi“ i „depresivni“. Za klasifikaciju korišteni su plitki modeli i konvolucijska neuronska mreža, te su rezultati klasifikacije prikazani u radu.
Abstract (english)
Affective disorders are psychiatric mood disorders that include recurrent depressive disorder. Electroencephalography is the process of recording the electric brain activity by placing electrodes on the surface of the head. Machine learning develops methods for more accurate and efficient learning and data generalization. In this paper, a data set containing EEG recordings of healthy subjects and those diagnosed with recurrent depressive disorder was used. The EEG signal was preprocessed to remove noise and processed to extract features. Two sets of data were created: a set of extracted features and a set of bipolar signal features. Using machine learning methods, feature sets were classified into two classes: “healthy” and “depressive”. Different types of shallow learning methods and a convolutional neural network were used for classification, and the results are presented in this paper.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:108069
Study programmeTitle: Electrical Engineering and Information Technology
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka elektrotehnike i informacijske tehnologije (magistar/magistra inženjer/inženjerka elektrotehnike i informacijske tehnologije)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-01-13 10:07:27