Metody analýzy dat z představy pohybu

Bártík, Miroslav

Metody analýzy dat z představy pohybu

dc.contributor.advisor	Mouček Roman, doc. Ing. Ph.D.	cs
dc.contributor.author	Bártík, Miroslav	cs
dc.contributor.referee	Pham Duc Thien	cs
dc.date.accepted	2025-06-10
dc.date.accessioned	2026-02-20T23:35:03Z
dc.date.available	2024-09-30
dc.date.available	2026-02-20T23:35:03Z
dc.date.issued	2025-05-02
dc.date.submitted	2025-05-02
dc.description.abstract	Představa pohybu (motor imagery, MI) je klíčovým paradigmatem v oblasti rozhraní mozek-počítač (BCI), které umožňuje komunikaci mezi člověkem a externím za- řízením prostřednictvím mentální simulace pohybu bez fyzické aktivity. Cílem této práce je navrhnout a představit konkurenceschopnou metodu klasifikace MI signálů, která bude použitelná v reálném čase. V rámci práce je porovnáno několik veřejně dostupných datasetů, přičemž tři z nich jsou vybrány pro experimentální vyhodnocení. Dále jsou popsány různé existující klasifikační metody, které inspirovaly vývoj nové architektury. Tato práce představuje model, který kombinuje temporální konvoluční neuronovou síť (TCN) a Transformer encoder. Navržená architektura byla testována na třech vybraných datasetech a dosáhla slibných výsledků: od 44,89% přesnosti při klasifikaci do čtyř tříd až po 84,84% přesnosti při klasifikaci do dvou tříd. Model byl rovněž testován na real-time datech, přičemž výsledky ukazují jeho potenciál pro praktické nasazení a použití v reálném čase.	cs
dc.description.abstract-translated	Motor imagery is a Brain-Computer Interface (BCI) paradigm that enables com- munication with external devices through mental simulation of movement. The objective of this thesis is to introduce a competitive classification method for motor imagery data, designed to be capable of real-time operation. Several publicly available datasets are reviewed, three of which are selected for experimental evaluation. Furthermore, various existing classification methods are discussed, inspiring the development of a novel architecture. This thesis proposes a model that combines a Temporal Convolutional Neural Network (TCN) with a Transformer encoder. The architecture was tested on the three selected datasets, achieving promising results ranging from 44.89% accuracy in 4-class classification to 84.84% accuracy in 2-class classification. The model was also evaluated using real-time data, demonstrating its potential for practical real-time BCI applications.	en
dc.description.department	Katedra informatiky a výpočetní techniky	cs
dc.description.result	Obhájeno	cs
dc.format	46
dc.identifier	100443
dc.identifier.uri	http://hdl.handle.net/11025/66378
dc.language.iso	en
dc.publisher	Západočeská univerzita v Plzni	cs
dc.rights	Plný text práce je přístupný bez omezení	cs
dc.rights.access	openAccess	cs
dc.subject	Představa pohybu	cs
dc.subject	rozhraní mozek-počítač	cs
dc.subject	EEG	cs
dc.subject	hluboké učení	cs
dc.subject.translated	Motor Imagery	en
dc.subject.translated	Brain-Computer Interface	en
dc.subject.translated	EEG	en
dc.subject.translated	Deep Learning	en
dc.thesis.degree-grantor	Západočeská univerzita v Plzni. Fakulta aplikovaných věd	cs
dc.thesis.degree-level	Bakalářský	cs
dc.thesis.degree-name	Bc.	cs
dc.thesis.degree-program	Informatika a výpočetní technika	cs
dc.title	Metody analýzy dat z představy pohybu	cs
dc.title.alternative	The methods of analyzing motor imagery data	en
dc.type	bakalářská práce	cs
local.files.count	6	*
local.files.size	73019522	*
local.has.files	yes	*
local.relation.IS	https://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=100443