Izlučivanje značajki iz elektroencefalograma i klasifikacija u svrhu detekcije pospanosti primjenom umjetnih neuronskih mreža

diplomski rad

• Naslov (engleski): Feature Extraction from Electroencephalogram and Drowsiness Classification Using Artificial Neural Networks
• Autor: Petra Franjić
• Mentor: Mario Cifrek (mentor)
• Član povjerenstva: Mario Cifrek (predsjednik povjerenstva)
• Član povjerenstva: Alan Jović (član povjerenstva)
• Član povjerenstva: Željka Lučev Vasić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2017-07-04, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

U ovom radu ispitana je uspješnost razlicitih tipova neuronskih mreža u
zadatku detekcije pospanosti na temelju jednog kanala elektroencefalografskog (EEG)
zapisa. U sklopu rada, na temelju EEG signala ekstrahiran je skup znacajki u razlicitim
domenama analize. Postupkom selekcije znacajki generirani su razliciti podskupovi
znacajki koji su zatim ispitani u radu sa skupom klasifikatora. Kao najbolji klasifikator
istaknula se mreža s povratnim slojevima koja je u kombinaciji s 4 ekstrahirane znacajke
postigla srednju ukupnu tocnost klasifikacije razlicitih stanja svijesti u iznosu 83,3% i
Cohenov kappa koeficijent 0,73. Isti klasifikator je u kombinaciji s 20 znacajki ostvario i
najbolju postignutu detekciju pospanosti, koja je iznosila 55%. Ispitivanje je provedeno
na javno dostupnoj Physionet Sleep-EDF [Expanded] bazi polisomnografskih snimaka.

Sažetak (engleski)

The aim of this thesis was to evaluate the performance of different
types of neural networks with regard to the task of drowsiness detection based on a
single electroencephalographic (EEG) channel. Firstly, a set of features was formed
based on feature extraction in distinct domains of analysis. Then, different subsets of
features were generated through a feature selection procedure. Finally, the performance
of classifiers of interest was examined when they were used in combination with the
generated feature subsets. The results singled out the layer-recurrent neural network as
the best-performing classifier, achieving 83,3% overall classification accuracy of different
states of wakefulness with Cohen’s kappa coefficient 0,73. This classifier also achieved
the best drowsiness detection performance, reaching 55% recall when it was used with
20 features. Data were obtained from the publicly available Physionet Sleep-EDF
[Expanded] database of polysomnographic recordings.

• Ključne riječi: elektroencefalografija; detekcija pospanosti; neuronske mreže; povratne neuronske mreže; obrada biomedicinskih signala
• Ključne riječi (engleski): electroencephalography; drowsiness detection; neural networks; recurrent neural networks; biomedical signal processing
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:906597
• 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: Zatvoreni pristup
• Datum i vrijeme pohrane: 2019-03-13 20:17:37