prikaz prve stranice dokumenta Izlučivanje značajki iz elektroencefalograma i klasifikacija u svrhu detekcije pospanosti primjenom umjetnih neuronskih mreža
Rad nije dostupan
diplomski rad
Izlučivanje značajki iz elektroencefalograma i klasifikacija u svrhu detekcije pospanosti primjenom umjetnih neuronskih mreža
2017. urn:nbn:hr:168:906597
Franjić, Petra
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Citirajte ovaj rad

Franjić, P. (2017). Izlučivanje značajki iz elektroencefalograma i klasifikacija u svrhu detekcije pospanosti primjenom umjetnih neuronskih mreža (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:906597

Franjić, Petra. "Izlučivanje značajki iz elektroencefalograma i klasifikacija u svrhu detekcije pospanosti primjenom umjetnih neuronskih mreža." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2017. https://urn.nsk.hr/urn:nbn:hr:168:906597

Franjić, Petra. "Izlučivanje značajki iz elektroencefalograma i klasifikacija u svrhu detekcije pospanosti primjenom umjetnih neuronskih mreža." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2017. https://urn.nsk.hr/urn:nbn:hr:168:906597

Franjić, P. (2017). 'Izlučivanje značajki iz elektroencefalograma i klasifikacija u svrhu detekcije pospanosti primjenom umjetnih neuronskih mreža', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 20.04.2024., https://urn.nsk.hr/urn:nbn:hr:168:906597

Franjić P. Izlučivanje značajki iz elektroencefalograma i klasifikacija u svrhu detekcije pospanosti primjenom umjetnih neuronskih mreža [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2017 [pristupljeno 20.04.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:906597

P. Franjić, "Izlučivanje značajki iz elektroencefalograma i klasifikacija u svrhu detekcije pospanosti primjenom umjetnih neuronskih mreža", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2017. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:906597

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:906597
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovIzlučivanje značajki iz elektroencefalograma i klasifikacija u svrhu detekcije pospanosti primjenom umjetnih neuronskih mreža
Naslov (engleski)Feature Extraction from Electroencephalogram and Drowsiness Classification Using Artificial Neural Networks
AutorPetra Franjić
MentorMario Cifrek (mentor)
Član povjerenstvaMario Cifrek (predsjednik povjerenstva)
Član povjerenstvaAlan Jović (član povjerenstva)
Član povjerenstvaŽeljka Lučev Vasić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2017-07-04, 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
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:906597
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2019-03-13 20:17:37