Usporedba modela strojnog i dubokog učenja u klasifikaciji afektivnih poremećaja

master's thesis

• Title (english): Comparison of machine and deep learning models in the classification of affective disorders
• Author: Matea Lipovac
• Mentor: Mario Cifrek (mentor)
• Committee member: Mario Cifrek (predsjednik povjerenstva)
• Committee member: Hrvoje Džapo (član povjerenstva)
• Committee member: Magdalena Krbot Skorić (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2024-07-17, Croatia

Abstract

Ovaj rad istražuje i uspoređuje modele strojnog i dubokog učenja u klasifikaciji afektivnih poremećaja temeljenih na snimljenim EEG signalima. Afektivni poremećaji su psihički poremećaji raspoloženja koji su karakterizirani anksioznošću i gubitkom volje. U prvom dijelu rada, korišteni su EEG signali označeni dijagnozama afektivnih poremećaja kako bi se provela potrebna predobrada signala s ciljem uklanjanja šuma, normalizacije i izdvajanja značajki. Izdvojena su dva skupa podataka: sirovi... More predobrađeni signal i izdvojene značajke. Za odabir optimalnih značajki korištene su statističke metode poput metoda filtriranja i metoda omotača. Uspoređeni su rezultati klasifikacije dobiveni korištenjem različitih modela strojnog učenja i dubokih neuronskih mreža. Rezultati su pokazali da modeli dubokog učenja mogu postići visoku točnost u klasifikaciji afektivnih poremećaja na temelju sirovih EEG signala. Ipak, plitki modeli strojnog učenja pokazali su se konkurentnima, osobito kada su korištene metode omotača za odabir značajki. Less

Abstract (english)

This paper investigates and compares machine and deep learning models in the classification of affective disorders based on recorded EEG signals. Affective disorders are psychological mood disorders characterized by anxiety. Firstly, EEG signals, marked with diagnoses of affective disorders, were pre-processed for noise removal, normalization and feature extraction. Two sets of data are extracted: the raw pre-processed signal and the extracted features. Statistical methods such as... More filtering methods and wrapper methods were used to select the optimal features. Classification results obtained using different machine learning models and deep neural networks were compared. The results showed that deep learning models can achieve high accuracy in the classification of affective disorders based on raw EEG signals. Nevertheless, machine learning models proved to be competitive, especially when wrapper methods were used for feature selection. Less

• Keywords: Elektroencefalografija; afektivni poremećaji; predobrada signala; strojno učenje; duboke neuronske mreže
• Keywords (english): Electroencephalography; affective disorders; signal preprocessing; machine learning; deep neural networks
• Language: croatian
• URN:NBN: urn:nbn:hr:168:643379
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Open access
• Created on: 2024-10-12 21:19:59