| Title: | Detekce pohybu končetin z EEG signálu při cvičení na rehabilitačním robotovi |
| Other Titles: | Movement detection from EEG signals during exercise on a rehabilitation robot |
| Authors: | Mochura, Pavel |
| Advisor: | Mautner Pavel, Ing. Ph.D. |
| Referee: | Vařeka Lukáš, Ing. Ph.D. |
| Issue Date: | 2021 |
| Publisher: | Západočeská univerzita v Plzni |
| Document type: | diplomová práce |
| URI: | http://hdl.handle.net/11025/45196 |
| Keywords: | elektroencefalografie;erd/ers;přípravné evokované potenciály;neuronová síť;klasifikace eeg signálu;backpropagation;příznakové vektory;fraktální dimenze |
| Keywords in different language: | electroencephalography;erd/ers;bereitschaftspotentials;neural network;eeg signal classification;backpropagation;feature vectors;fractal dimension |
| Abstract: | EEG signály u měřených subjektů obsahují různé vzory podle toho, co měřený subjekt vykonával. ERD/ERS jsou příklady právě takovýchto vzorů, které jsou svázány s pohybem ruky, prstu nebo nohy. Tato diplomová práce se zabývá detekováním pohybu v EEG signálu na základě vzorů ERD a ERS. Příznakové vektory jsou konstruovány buď pomocí všech hodnot z ERD/ERS nebo z hodnot, počítaných právě z těchto vzorů, jako například MAV nebo rozptyl. Tyto vektory jsou klasifikovány neuronovou sítí, která se stává z jedné vstupní vrstvy, třech skrytých vrstev a z jedné výstupní vrstvy, kde první skrytá vrstva obsahuje 400 neuronů, druhá 200 neuronů a třetí 100 neuronů. Pro natrénování této neuronové sítě je použita trénovací množina tvořená příznakovými vektory a pro následné přenastavování vah je použit algoritmus Backpropagation. Takto nastavená neuronová síť je schopna klasifikovat pohyb v EEG záznamech s průměrnou přesností 90,05%. |
| Abstract in different language: | The EEG signals of the measured subjects contain different patterns depending on what the measured subject was doing. ERD/ERS are examples of such patterns that are tied to hand, finger or foot movements. This paper deals with the detection of motion in EEG signal based on ERD and ERS patterns. Symptom vectors are constructed using either all the values from ERD/ERS or values computed from just these patterns, such as MAV or dispersion. These vectors are classified by a neural network that consists of an input layer, three hidden layers and one output layer, where the first hidden layer contains 400 neurons, the second 200 neurons and the third 100 neurons. A training set consisting of symptom vectors is used to train this neural network and Backpropagation algorithm is used for subsequent rebalancing. This tuned neural network is able to classify the motion in EEG recordings with an average accuracy of 90.05%. |
| Rights: | Plný text práce je přístupný bez omezení. |
| Appears in Collections: | Diplomové práce / Theses (KIV) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| A19N0072P.pdf | Plný text práce | 1,47 MB | Adobe PDF | View/Open |
| A19N0072Pposudek-op.pdf | Posudek oponenta práce | 113,33 kB | Adobe PDF | View/Open |
| A19N0072Phodnoceni-ved.pdf | Posudek vedoucího práce | 51,28 kB | Adobe PDF | View/Open |
| A19N0072Pobhajoba.PDF | Průběh obhajoby práce | 345,7 kB | Adobe PDF | View/Open |
| A19N0072P-zadani_DP.pdf | VŠKP - příloha | 17,22 kB | Adobe PDF | View/Open |
| A19N0072P_prilohy.zip | VŠKP - příloha | 1,01 GB | ZIP | View/Open |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/45196Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.