prikaz prve stranice dokumenta Arhitekture umjetnih neuronskih mreža za analizu signala EEG-a
No public access
master's thesis
Arhitekture umjetnih neuronskih mreža za analizu signala EEG-a
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. urn:nbn:hr:168:564206
Planinić, Lucija
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Planinić, L. (2020). Arhitekture umjetnih neuronskih mreža za analizu signala EEG-a (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:564206

Planinić, Lucija. "Arhitekture umjetnih neuronskih mreža za analizu signala EEG-a." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. https://urn.nsk.hr/urn:nbn:hr:168:564206

Planinić, Lucija. "Arhitekture umjetnih neuronskih mreža za analizu signala EEG-a." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. https://urn.nsk.hr/urn:nbn:hr:168:564206

Planinić, L. (2020). 'Arhitekture umjetnih neuronskih mreža za analizu signala EEG-a', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 22 November 2024, https://urn.nsk.hr/urn:nbn:hr:168:564206

Planinić L. Arhitekture umjetnih neuronskih mreža za analizu signala EEG-a [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2020 [cited 2024 November 22] Available at: https://urn.nsk.hr/urn:nbn:hr:168:564206

L. Planinić, "Arhitekture umjetnih neuronskih mreža za analizu signala EEG-a", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2020. Available at: https://urn.nsk.hr/urn:nbn:hr:168:564206

Metadata
TitleArhitekture umjetnih neuronskih mreža za analizu signala EEG-a
Title (english)Artificial Neural Network Architectures in EEG Signal Analysis
AuthorLucija Planinić
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 country2020-07-16, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Elektroencefalografija (EEG) je metoda snimanja električne moždane aktivnosti. Analiza signala EEG-a omogućuje primjenu elektroencefalografije u raznim sustavima, a u tu svrhu se sve više koriste metode strojnog učenja od kojih se ističu umjetne neuronske mreže. U ovom radu korišten je skup signala EEG-a zdravih ispitanika i onih kojima je dijagnosticiran afektivni poremećaj, te su signali klasificirani u dvije klase: „zdravi“ i „bolesni“. Implementirana je konvolucijska neuronska mreža za klasifikaciju signala i autoenkoder za ekstrakciju važnih značajki. Značajke dobivene autoenkoderom zatim su korištene za klasifikaciju pomoću plitkih modela za klasifikaciju (SVM, KNN i Adaboost) i za grupiranje algoritmima za nenadzirano učenje (k-srednjih vrijednosti, aglomerativno grupiranje i DBSCAN). Konvolucijska neuronska mreža i autoenkoder su trenirani tri puta: na nebalansiranom skupu podataka, na skupu balansiranom težinama i na skupu balansiranom poduzorkovanjem. Rezultati su pokazali da je od testiranih modela konvolucijska neuronska mreža najuspješnija u klasifikaciji signala EEG-a (prosječna točnost i F1 mjera u iznosu od 0,997). Balansiranje poduzorkovanjem imalo je bolje rezultate od balansiranja težinama. Grupiranjem je pokazano da se značajke prirodno grupiraju prema dijagnozi ispitanika.
Abstract (english)
Electroencephalography (EEG) is a method of recording the electrical activity of the brain. EEG signal analysis allows the application of electroencephalography in various systems. For this purpose, machine learning methods are increasingly used, of which artificial neural networks stand out. In this paper, a set of EEG signals of healthy subjects and those diagnosed with an affective disorder was used, and the signals were classified into two classes: “healthy” and “not healthy”. A convolutional neural network for signal classification and an autoencoder for feature extraction were implemented. Features obtained by the autoencoder were then used for classification using shallow classification models (SVM, KNN and Adaboost) and for clustering using unsupervised learning algorithms (k-means, agglomerative clustering, and DBSCAN). The convolutional neural network and autoencoder were both trained three times: on an unbalanced dataset, on a dataset balanced using weights and on a dataset balanced by undersampling. The results showed that of the tested models, the convolutional neural network was the most successful in the classification of EEG signals (average accuracy and F1 score of 0,997). Balancing by undersampling had better results than balancing using weights. Clustering showed that features are naturally grouped according to the diagnosis of the subject.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:564206
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 conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-01-13 13:30:26