prikaz prve stranice dokumenta Klasifikacija afektivnih poremećaja metodama strojnog učenja
Rad nije dostupan
diplomski rad
Klasifikacija afektivnih poremećaja metodama strojnog učenja
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. urn:nbn:hr:168:108069
Jovičić, Eda
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Jovičić, E. (2021). Klasifikacija afektivnih poremećaja metodama strojnog učenja (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:108069

Jovičić, Eda. "Klasifikacija afektivnih poremećaja metodama strojnog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. https://urn.nsk.hr/urn:nbn:hr:168:108069

Jovičić, Eda. "Klasifikacija afektivnih poremećaja metodama strojnog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. https://urn.nsk.hr/urn:nbn:hr:168:108069

Jovičić, E. (2021). 'Klasifikacija afektivnih poremećaja metodama strojnog učenja', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 22.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:108069

Jovičić E. Klasifikacija afektivnih poremećaja metodama strojnog učenja [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2021 [pristupljeno 22.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:108069

E. Jovičić, "Klasifikacija afektivnih poremećaja metodama strojnog učenja", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2021. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:108069

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:108069
Podaci o radu
NaslovKlasifikacija afektivnih poremećaja metodama strojnog učenja
Naslov (engleski)Classification of Affective Disorders Using Machine Learning Methods
AutorEda Jovičić
MentorMario Cifrek (mentor)
Član povjerenstvaMario Cifrek (predsjednik povjerenstva)
Član povjerenstvaIgor Krois (član povjerenstva)
Član povjerenstvaŽeljka Lučev Vasić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2021-07-08, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Elektrotehnika
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:108069
Studijski programNaziv: Elektrotehnika i informacijska tehnologija
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka elektrotehnike i informacijske tehnologije (mag. ing. el. techn. inf.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-01-13 10:07:27