Usporedba modela strojnog i dubokog učenja u klasifikaciji afektivnih poremećaja

diplomski rad

• Naslov (engleski): Comparison of machine and deep learning models in the classification of affective disorders
• Autor: Matea Lipovac
• Mentor: Mario Cifrek (mentor)
• Član povjerenstva: Mario Cifrek (predsjednik povjerenstva)
• Član povjerenstva: Hrvoje Džapo (član povjerenstva)
• Član povjerenstva: Magdalena Krbot Skorić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2024-07-17, Hrvatska

Sažetak

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... Više 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. Sakrij dio sažetka

Sažetak (engleski)

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... Više 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. Sakrij dio sažetka

• Ključne riječi: Elektroencefalografija; afektivni poremećaji; predobrada signala; strojno učenje; duboke neuronske mreže
• Ključne riječi (engleski): Electroencephalography; affective disorders; signal preprocessing; machine learning; deep neural networks
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:643379
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2024-10-12 21:19:59