Detekce pohybu končetin z EEG signálu při cvičení na rehabilitačním robotovi

Mochura, Pavel

Detekce pohybu končetin z EEG signálu při cvičení na rehabilitačním robotovi

dc.contributor.advisor	Mautner Pavel, Ing. Ph.D.
dc.contributor.author	Mochura, Pavel
dc.contributor.referee	Vařeka Lukáš, Ing. Ph.D.
dc.date.accepted	2021-9-7
dc.date.accessioned	2021-09-13T22:16:22Z
dc.date.available	2020-9-11
dc.date.available	2021-09-13T22:16:22Z
dc.date.issued	2021
dc.date.submitted	2021-6-23
dc.description.abstract	EEG signály u měřených subjektů obsahují různé vzory podle toho, co měřený subjekt vykonával. ERD/ERS jsou příklady právě takovýchto vzorů, které jsou svázány s pohybem ruky, prstu nebo nohy. Tato diplomová práce se zabývá detekováním pohybu v EEG signálu na základě vzorů ERD a ERS. Příznakové vektory jsou konstruovány buď pomocí všech hodnot z ERD/ERS nebo z hodnot, počítaných právě z těchto vzorů, jako například MAV nebo rozptyl. Tyto vektory jsou klasifikovány neuronovou sítí, která se stává z jedné vstupní vrstvy, třech skrytých vrstev a z jedné výstupní vrstvy, kde první skrytá vrstva obsahuje 400 neuronů, druhá 200 neuronů a třetí 100 neuronů. Pro natrénování této neuronové sítě je použita trénovací množina tvořená příznakovými vektory a pro následné přenastavování vah je použit algoritmus Backpropagation. Takto nastavená neuronová síť je schopna klasifikovat pohyb v EEG záznamech s průměrnou přesností 90,05%.	cs
dc.description.abstract-translated	The EEG signals of the measured subjects contain different patterns depending on what the measured subject was doing. ERD/ERS are examples of such patterns that are tied to hand, finger or foot movements. This paper deals with the detection of motion in EEG signal based on ERD and ERS patterns. Symptom vectors are constructed using either all the values from ERD/ERS or values computed from just these patterns, such as MAV or dispersion. These vectors are classified by a neural network that consists of an input layer, three hidden layers and one output layer, where the first hidden layer contains 400 neurons, the second 200 neurons and the third 100 neurons. A training set consisting of symptom vectors is used to train this neural network and Backpropagation algorithm is used for subsequent rebalancing. This tuned neural network is able to classify the motion in EEG recordings with an average accuracy of 90.05%.	en
dc.description.result	Obhájeno	cs
dc.format	79 s.	cs
dc.identifier	86120
dc.identifier.uri	http://hdl.handle.net/11025/45196
dc.language.iso	cs	cs
dc.publisher	Západočeská univerzita v Plzni	cs
dc.rights	Plný text práce je přístupný bez omezení.	cs
dc.rights.access	openAccess	en
dc.subject	elektroencefalografie	cs
dc.subject	erd/ers	cs
dc.subject	přípravné evokované potenciály	cs
dc.subject	neuronová síť	cs
dc.subject	klasifikace eeg signálu	cs
dc.subject	backpropagation	cs
dc.subject	příznakové vektory	cs
dc.subject	fraktální dimenze	cs
dc.subject.translated	electroencephalography	en
dc.subject.translated	erd/ers	en
dc.subject.translated	bereitschaftspotentials	en
dc.subject.translated	neural network	en
dc.subject.translated	eeg signal classification	en
dc.subject.translated	backpropagation	en
dc.subject.translated	feature vectors	en
dc.subject.translated	fractal dimension	en
dc.thesis.degree-grantor	Západočeská univerzita v Plzni. Fakulta aplikovaných věd	cs
dc.thesis.degree-level	Navazující	cs
dc.thesis.degree-name	Ing.	cs
dc.thesis.degree-program	Inženýrská informatika	cs
dc.title	Detekce pohybu končetin z EEG signálu při cvičení na rehabilitačním robotovi	cs
dc.title.alternative	Movement detection from EEG signals during exercise on a rehabilitation robot	en
dc.type	diplomová práce	cs
local.relation.IS	https://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=86120