Klasifikacija afektivnih poremećaja korištenjem fraktalne dimenzije kao značajke signala EEG-a

undergraduate thesis

• Title (english): Classification of Affective Disorders using Fractal Dimension as an EEG Feature
• Author: Zvonimir Žunić
• Mentor: Mario Cifrek (mentor)
• Committee member: Mario Cifrek (predsjednik povjerenstva)
• Committee member: Eda Jovičić (član povjerenstva)
• Committee member: Luka Klaić (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2024-02-07, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

U ovom radu istražena je mogućnost klasifikacije afektivnih poremećaja koristeći fraktalne dimenzije kao značajke signala EEG-a. Korištena je baza podataka nastala u Klinici za psihijatriju Vrapče, koja uključuje podatke o pacijentima s dijagnozama F32 (depresija) i F33 (povratni depresivni poremećaj).
Nakon predobrade signala, koja je uključivala filtriranje signala u frekvencijskom rasponu od 0,1 Hz do 40 Hz i primjenu nezavisne analize komponenti (ICA) za identifikaciju artefakata, signali su podijeljeni na pet frekvencijskih raspona, svaki predstavljajući jedan moždani val.
Za svaki od 19 kanala, izračunate su četiri različite fraktalne dimenzije - Higuchijeva, Sevcikova, Katzova i Petrosianova. Ove fraktalne dimenzije su poslužile kaoznačajke za daljnju analizu.
Nakon što su dodane informacije o dijagnozi, dobiveni su konačni skupovi podataka za treniranje i testiranje. Skup za učenje uključuje 50 bolesnih ispitanika i 25 zdravih, dok skup za testiranje uključuje 20 bolesnih i 10 zdravih ispitanika.
Rezultati ovog rada pokazuju da je moguće koristiti fraktalne dimenzije kao značajke signala EEG-a za klasifikaciju afektivnih poremećaja.

Abstract (english)

In this study, the possibility of classifying affective disorders using fractal dimensions as features of EEG signals was explored. The database used was created at the Vrapče Psychiatric Clinic, which includes data on patients with diagnoses F32 (depression) and F33 (recurrent depressive disorder).
After preprocessing the signals, which involved filtering the signals in the frequency range from 0,1 Hz to 40 Hz and applying Independent Component Analysis (ICA) to identify artifacts, the signals were divided into five frequency ranges, each representing a brain wave.
For each of the 19 channels, four different fractal dimensions were calculated - Higuchi's, Sevcik's, Katz's, and Petrosian's. These fractal dimensions served as features for further analysis.
After adding diagnostic information, the final datasets for training and testing were obtained. The training set includes 50 ill examinees and 25 healthy ones, while the testing set includes 20 ill and 10 healthy examinees.
The results of this study show that it is possible to use fractal dimensions as features of EEG signals for the classification of affective disorders.

• Keywords: Strojno učenje; EEG; klasifikacija; afektivni poremećaji; fraktalna di-menzija; značajke signala
• Keywords (english): Machine learning; EEG; classification; affective disorders; fractal dimension; signal features
• Language: croatian
• URN:NBN: urn:nbn:hr:168:921069
• Study programme: Title: Computing; Study programme type: university; Study level: undergraduate; Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2024-03-28 07:57:39