Metode strojnog učenja u klasifikaciji signala EEG-a kod afektivnih poremećaja

završni rad

• Naslov (engleski): Machine Learning Methods for EEG Signal Classification in Affective Disorders
• Autor: Ivan Skorupan
• Mentor: Mario Cifrek (mentor)
• Član povjerenstva: Mario Cifrek (predsjednik povjerenstva)
• Član povjerenstva: Krešimir Friganović (član povjerenstva)
• Član povjerenstva: Zrinka Topić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2020-07-03, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Nebalansirani skupovi podataka su česti u medicinskoj praksi. Klasični algoritmi strojnog učenja pate od prenaučenosti na nebalansiranim skupovima pa su potrebne posebne metode za unaprjeđenje modela. U ovom radu je provedena klasifikacija značajki signala EEG-a po medicinskim dijagnozama nad nekoliko tablica koristeći modele stroja potpornih vektora, k najbližih susjeda, slučajne šume te AdaBoosta. Analizirani su rezultati klasifikacije i pokazano je da modeli AdaBoost i stroj potpornih vektora s linearnom jezgrom pokazuju najveći potencijal za klasifikaciju and nebalansiranim skupovima podataka u većini primjera.

Sažetak (engleski)

Imbalanced datasets are often found in medical praxis. Classical machine learning algorithms suffer from overfitting on imbalanced datasets, which is why special methods are needed to improve model performance. In this thesis, EEG signal features classification by medical diagnoses was performed on several tables using the support vector machine, k-nearest neighbors, random forest and AdaBoost models. Classification results were analyzed and it was shown that the AdaBoost and linear kernel support vector machine models show the most potential for classification on imbalanced datasets in majority of the examples.

• Ključne riječi: EEG; elektroencefalografija; strojno učenje; nebalansirani skup podataka; afektivni poremećaj; stroj potpornih vektora; algoritam k najbližih susjeda; slučajna šuma; AdaBoost
• Ključne riječi (engleski): EEG; electroencephalography; machine learning; imbalanced dataset; affective disorder; support vector machine; k-nearest neighbors algorithm; AdaBoost
• Jezik: engleski
• URN:NBN: urn:nbn:hr:168:077282
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-14 09:56:38