| Název: | Klasifikace pohybu z EEG dat |
| Další názvy: | Movement classification from EEG data |
| Autoři: | Hrabík, Václav |
| Vedoucí práce/školitel: | Mouček Roman, Doc. Ing. Ph.D. |
| Oponent: | Mautner Pavel, Ing. Ph.D. |
| Datum vydání: | 2024 |
| Nakladatel: | Západočeská univerzita v Plzni |
| Typ dokumentu: | diplomová práce |
| URI: | http://hdl.handle.net/11025/57239 |
| Klíčová slova: | ann;mlp;cnn;lstm. transformer;strojové učení;eeg;představa pohybu;bci;mi datasety |
| Klíčová slova v dalším jazyce: | ann;mlp;cnn;lstm. transformer;machine learning;eeg;motor imagery;bci;mi dataset |
| Abstrakt: | Pacienti s paralýzou nervosvalového systému mají těžkou cestu k rehabilitaci. K zefektivnění a zrychlení této rehabilitace je potřeba, aby při rehabilitaci nebyly procvičovány jen svaly, ale i mozek. Pro lepší zapojení mozku se používá Brain-computer interface (BCI). BCI se snaží rozpoznávat mozkové signály a převádět je do příkazů pro zařízení. Za tím účelem využíváme Motor Imagery (MI), kde si pohyb pouze představujeme bez jeho vykonání, protože je dokázáno, že tyto dva stavy jsou téměř totožné. Tyto signály reprezentované pomocí EEG jsou v této práci rozpoznávany aktuálními klasifikátory, jako jsou MLP, CNN, LSTM a Transformer. Tato práce ukázala velkou odlišnost mezi jednotlivými lidmi v experimentech. Nejvíce úspěšní lidé dosáhli až 75 % přesnosti klasifikace jejich pohybu. |
| Abstrakt v dalším jazyce: | Patients with neuromuscular paralysis have a difficult road to rehabilitation. To make this rehabilitation more effective and faster, rehabilitation should not only exercise the muscles but also engage the brain. To achieve that, a Brain-computer interface (BCI) is used. The BCI tries to recognize and translate brain signals into the output commands for devices. For this, we use Motor Imagery (MI), where we imagine the movement without executing it, as it has been proven that these two states are almost identical. In this work, these signals represented by EEG are recognized by recent classifiers such as MLP, CNN, LSTM, and Transformer. This work has shown a large variation between people in the experiments. The most successful people achieved up to 75 % accuracy in classifying their motion. |
| Práva: | Plný text práce je přístupný bez omezení |
| Vyskytuje se v kolekcích: | Diplomové práce / Theses (KIV) |
Soubory připojené k záznamu:
| Soubor | Popis | Velikost | Formát | |
|---|---|---|---|---|
| A22N0047P_DP.pdf | Plný text práce | 2,4 MB | Adobe PDF | Zobrazit/otevřít |
| A22N0047Phodnoceni-ved.pdf | Posudek vedoucího práce | 423,67 kB | Adobe PDF | Zobrazit/otevřít |
| A22N0047Pposudek-op.pdf | Posudek oponenta práce | 122,2 kB | Adobe PDF | Zobrazit/otevřít |
| A22N0047Pobhajoba.pdf | Průběh obhajoby práce | 198,1 kB | Adobe PDF | Zobrazit/otevřít |
| A22N0047P-zadani_DP.pdf | VŠKP - příloha | 22,22 kB | Adobe PDF | Zobrazit/otevřít Vyžádat kopii |
| A22N0047P_prilohy.zip | VŠKP - příloha | 28,78 MB | ZIP | Zobrazit/otevřít Vyžádat kopii |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/57239Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.