Rješavanje klasifikacijskih problema iz snimaka elektroencefalograma kod sučelja između mozga i računala

diplomski rad

• Naslov (engleski): Solving Classification Problems from Electroencephalogram Recordings in Brain-Computer Interfaces
• Autor: Darin Dašić
• Mentor: Alan Jović (mentor)
• Član povjerenstva: Alan Jović (predsjednik povjerenstva)
• Član povjerenstva: Vlado Sruk (član povjerenstva)
• Član povjerenstva: Dejan Škvorc (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2020-07-13, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

U ovom radu su opisani i objašnjeni najvažniji pojmovi vezani uz sve dijelove sučelja mozga i računala. Kratkim prolazom kroz neuroznanost predočena je fiziologija mozga, morfologija signala EEG-a te komponente koje su kasnije detektirane i klasificirane metodoma strojnog učenja, tj. dubokog učenja. Za klasifikaciju su odabrane konvolucijske neuronske mreže koje bi u teoriji mogle same naučiti važne značajke i samim time olakšati cjelokupnu analizu. Za arhitekturu ove mreže je korišten model EEGNet koji je pokazao dobre rezultate s obzirom na svoju plitkost. Ispitivane su dvije vrste evociranih potencijala, P300 i ERN na pridruženim skupovima podataka. U svakoj analizi ispitane su sposobnosti modela prilikom učenja na tri načina; prijenosom između ispitanika, izgradnjom individualnih klasifikatora po ispitaniku te jednog generalnog. Ova arhitektura se nije pokazala kao najbolja za potrebe učenja prijenosom, iako je davala solidne rezultate za skup podataka ERN.

Sažetak (engleski)

In this work the most important terms for each part of the brain computer interface have been described. With brief run through neuroscience, short overview of the physiology of the human brain as well as morphology of the EEG signal and its components have been presented. These components were later classified with the use of machine learning, or concretely deep learning algorithms. For classification, convolutional neural networks have been chosen because of their ability to automatically construct features from the raw signals. The specific architecture used in this analysis was based on the model called EEGNet which has proved itself with good results despite its shallow architecture. In the analysis, the model was applied to two different datasets, one where the ERN component has been analysed and in the other audio evoked P300 component has been analysed. For each dataset, model’s abilities have been tested in three ways; cross subject learning, individual subject based learning and general model. This architecture didn’t prove itself to produce best results for cross subject learning, but it still achieved respectable results on the ERN dataset.

• Ključne riječi: BCI; sučelje između mozga i računala; EEG; elektroencefalogram; strojno učenje; konvolucijske neuronske mreže; biomedicina
• Ključne riječi (engleski): BCI; brain computer interface; EEG; electroencephalography; machine learning; convolutional neural network; biomedicine
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:649473
• 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: 2023-01-13 09:54:49