Klasifikacija afektivnih poremećaja metodama strojnog učenja

diplomski rad

• Naslov (engleski): Classification of Affective Disorders Using Machine Learning Methods
• Autor: Eda Jovičić
• Mentor: Mario Cifrek (mentor)
• Član povjerenstva: Mario Cifrek (predsjednik povjerenstva)
• Član povjerenstva: Igor Krois (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: 2021-07-08, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Elektrotehnika

Sažetak

Afektivni poremećaji su psihički poremećaji raspoloženja u koje spada povratni depresivni poremećaj. Elektroencefalografija je postupak snimanja električne aktivnosti mozga postavljanjem elektroda na površinu glave. Strojno učenje se bavi razvojem metoda za što točnije i učinkovitije učenje i generalizaciju podataka. U ovom radu, korišten je skup podataka u kojem se nalaze snimke EEG-a zdravih ispitanika i onih s dijagnozom povratnog depresivnog poremećaja. Na skupu signala EEG-a izvršena je predobradba i obradba s ciljem uklanjanja šuma i izdvajanja značajki. Izdvojena su dva seta podataka: set izdvojenih značajki i set značajki bipolarnog signala. Korištenjem metoda strojnog učenja, setovi značajki klasificirani su u dvije klase: „zdravi“ i „depresivni“. Za klasifikaciju korišteni su plitki modeli i konvolucijska neuronska mreža, te su rezultati klasifikacije prikazani u radu.

Sažetak (engleski)

Affective disorders are psychiatric mood disorders that include recurrent depressive disorder. Electroencephalography is the process of recording the electric brain activity by placing electrodes on the surface of the head. Machine learning develops methods for more accurate and efficient learning and data generalization. In this paper, a data set containing EEG recordings of healthy subjects and those diagnosed with recurrent depressive disorder was used. The EEG signal was preprocessed to remove noise and processed to extract features. Two sets of data were created: a set of extracted features and a set of bipolar signal features. Using machine learning methods, feature sets were classified into two classes: “healthy” and “depressive”. Different types of shallow learning methods and a convolutional neural network were used for classification, and the results are presented in this paper.

• Ključne riječi: afektivni poremećaji; elektroencefalografija (EEG); strojno učenje; konvolucijske neuronske mreže (CNN)
• Ključne riječi (engleski): affective disorders; electroencephalography (EEG); machine learning; convolutional neural networks (CNN)
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:108069
• Studijski program: Naziv: Elektrotehnika i informacijska tehnologija; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka elektrotehnike i informacijske tehnologije (mag. ing. el. techn. inf.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-13 10:07:27