Dizertačné práce

Klasifikácia signálov pomocou umelých neurónových sietí

Autor práce: Ing. Lukáš Čechovič
Školiteľ: prof. Ing. Juraj Miček, CSc.
Dátum obhajoby: 4.3.2014
Študijný program: 9.2.9 Aplikovaná informatika
Oponent 1: prof. Ing. Aleš JANOTA, PhD. – KRIS, EF, ŽU Žilina
Oponent 2: prof. Ing. Karel ŠOTEK, CSc. – KST, FEI, UP Pardubice
Oponent 3: doc. Mgr. Jiří SLAVÍK, CSc. – dôchodca, Strečno

Slovenský abstrakt:
ČECHOVIČ, Lukáš: Klasifikácia signálov pomocou umelých neurónových sietí. [Dizertačná práca] Žilinská univerzita v Žiline. Fakulta riadenia a informatiky; Katedra technickej kybernetiky. – Školiteľ: doc. Ing. Juraj Miček, PhD. – Žilina: FRI, 2013. Práca sa zaoberá formuláciou algoritmu klasifikácie viackanálových signálov pomocou teórie umelých neurónových sietí v aplikácii na P300 úkaz. P300 je pozitívna výchylka v ľudskom elektroencefalograme (EEG) vyskytujúca sa približne 300 ms po prezentovaní ojedinelej alebo prekvapujúcej udalosti. Identifikovanie výskytu tejto udalosti je jeden z používaných prístupov pri výskumoch systémov mozog-počítač (BCI). Práca sa nutne zaoberá aj problematikou číslicového spracovania dát získaných z ľudského EEG a špecifickými prístupmi ako je redukcia počtu vstupných kanálov. V praktických testoch je na klasifikáciu dát využívaná dopredná neurónová sieť so spätným šírením chyby a výsledky sú porovnávané s inými prístupmi na základe dátového toku v jednotkách bit/min. Kľúčové slová: EEG, viackanálové signály, P300, umelá dopredná neurónová sieť, spätné šírenie chyby, offline analýza, brain computer interface.

Anglický abstrakt:
ČECHOVIČ, Lukáš: Signal classification using artificial neural network. [Dissertation thesis] University of Žilina in Žilina. Faculty of Management Science and Informatics; Department of Technical Cybernetics. – Tutor: doc. Ing. Juraj Miček, PhD. – Žilina: FRI, 2013. In this thesis a multichannel signal classification algorithm is presented using an artificial neural network with application on P300 evoked potentials. The P300 is a positive deflection in the human EEG, appearing approximately 300 ms after the presentation of rare or surprising, task-relevant stimuli. Identification of this event is task for P300 based BCI researches. Work also deal with human EEG data preprocessing with specific methods as channel selection. Feed forward neural network with back propagation learning is used for classification compared with actual researches based on bitrate per second parameter which was set as objective parameter to compare BCI researches with different approaches. Keywords: EEG, multichannel signals, P300, feed forward neural network, back propagation learning, offline analysis, brain computer interface.


0
študentov
0
učiteľov
0
partnerov

Partneri FRI

Projekty FRI