Title: | Rozšíření dat pro zpracování biologického signálu |
Other Titles: | Data augmentation for biological signal processing |
Authors: | Hrabík, Václav |
Advisor: | Mouček Roman, Doc. Ing. Ph.D. |
Referee: | Mautner Pavel, Ing. Ph.D. |
Issue Date: | 2022 |
Publisher: | Západočeská univerzita v Plzni |
Document type: | bakalářská práce |
URI: | http://hdl.handle.net/11025/49547 |
Keywords: | umělé neuronové sítě;analogové neuronové sítě;impulzivní neuronové sítě;eeg;tensorflow;keras;rozšíření;p300 dataset |
Keywords in different language: | artificial neural networks;analogue neural networks;spiking neural networks;eeg;tensorflow;keras;augmentation;p300 dataset |
Abstract: | Snaha napodobit lidský (zvířecí) mozek existuje už dlouho. Prvním velkým krokem byly analogové neuronové sítě. Tyto sítě mají spoustu podtypů, které všechny pracují na principu spojitých dat, ale to není vždy úplně možné. Pro práci s diskrétními daty byly vyvinuty impulzivní neuronové sítě, které napodobují mozkové chování ještě lépe a pracují s diskrétními daty. Velký problém u neuronových sítí obecně je schopnost se učit. K tomu je zapotřebí množina dat. Ve spoustě oblastí je získávaní dat jednoduché. V oblasti Elektroencefalografických (EEG) dat je velmi obtížné získat data. Proto se tato práce zabývá umělým zvětšením již naměřené množiny dat za účelem zlepšení úspěšnosti automatického rozpoznávání P300 signálů. Toto zvětšení je provedeno přidáním umělých prvků. Výsledky ukazují, že tato metoda je možným a funkčním řešením. |
Abstract in different language: | There have been a lot of attempts of human (animal) brain simulation. Analogue neural networks were the first major step. These neural networks have various sub-types. All these types work with continuous data but this data is not available every time. Spiking neural networks were developed for work with discrete data. Neural networks in general have big problems with learning. A dataset is necessary for learning. In many cases adding new samples into dataset is not any problem. In neural signals like Electroencephalography (EEG), it is a big problem to get new samples. Because of it, this thesis aims to augment an existing dataset in order to increase the accuracy of automatic recognition of P300 signals. This augmentation is done by adding the synthetic samples. The results show that augmentation is really possible and a functional solution. |
Rights: | Plný text práce je přístupný bez omezení |
Appears in Collections: | Bakalářské práce / Bachelor´s works (KIV) |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
A19B0061P.pdf | Plný text práce | 2,14 MB | Adobe PDF | View/Open |
A19B0061P_hodnoceni.pdf | Posudek vedoucího práce | 415,31 kB | Adobe PDF | View/Open |
A19B0061P_posudek.pdf | Posudek oponenta práce | 117,4 kB | Adobe PDF | View/Open |
A19B0061P_obhajoba.pdf | Průběh obhajoby práce | 52,44 kB | Adobe PDF | View/Open |
A19B0061P_zadaniBP.pdf | VŠKP - příloha | 12,95 kB | Adobe PDF | View/Open |
A19B0061P_prilohy.zip | VŠKP - příloha | 606,83 MB | ZIP | View/Open |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/49547
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.