Rozšíření dat pro zpracování biologického signálu

Hrabík, Václav

Rozšíření dat pro zpracování biologického signálu

dc.contributor.advisor	Mouček Roman, Doc. Ing. Ph.D.
dc.contributor.author	Hrabík, Václav
dc.contributor.referee	Mautner Pavel, Ing. Ph.D.
dc.date.accepted	2022-6-14
dc.date.accessioned	2022-08-29T14:33:20Z
dc.date.available	2021-10-4
dc.date.available	2022-08-29T14:33:20Z
dc.date.issued	2022
dc.date.submitted	2022-5-5
dc.description.abstract	Snaha napodobit lidský (zvířecí) mozek existuje už dlouho. Prvním velkým krokem byly analogové neuronové sítě. Tyto sítě mají spoustu podtypů, které všechny pracují na principu spojitých dat, ale to není vždy úplně možné. Pro práci s diskrétními daty byly vyvinuty impulzivní neuronové sítě, které napodobují mozkové chování ještě lépe a pracují s diskrétními daty. Velký problém u neuronových sítí obecně je schopnost se učit. K tomu je zapotřebí množina dat. Ve spoustě oblastí je získávaní dat jednoduché. V oblasti Elektroencefalografických (EEG) dat je velmi obtížné získat data. Proto se tato práce zabývá umělým zvětšením již naměřené množiny dat za účelem zlepšení úspěšnosti automatického rozpoznávání P300 signálů. Toto zvětšení je provedeno přidáním umělých prvků. Výsledky ukazují, že tato metoda je možným a funkčním řešením.	cs
dc.description.abstract-translated	There have been a lot of attempts of human (animal) brain simulation. Analogue neural networks were the first major step. These neural networks have various sub-types. All these types work with continuous data but this data is not available every time. Spiking neural networks were developed for work with discrete data. Neural networks in general have big problems with learning. A dataset is necessary for learning. In many cases adding new samples into dataset is not any problem. In neural signals like Electroencephalography (EEG), it is a big problem to get new samples. Because of it, this thesis aims to augment an existing dataset in order to increase the accuracy of automatic recognition of P300 signals. This augmentation is done by adding the synthetic samples. The results show that augmentation is really possible and a functional solution.	en
dc.description.result	Obhájeno
dc.format	34
dc.identifier	89753
dc.identifier.uri	http://hdl.handle.net/11025/49547
dc.language.iso	en
dc.publisher	Západočeská univerzita v Plzni
dc.rights	Plný text práce je přístupný bez omezení
dc.subject	umělé neuronové sítě	cs
dc.subject	analogové neuronové sítě	cs
dc.subject	impulzivní neuronové sítě	cs
dc.subject	eeg	cs
dc.subject	tensorflow	cs
dc.subject	keras	cs
dc.subject	rozšíření	cs
dc.subject	p300 dataset	cs
dc.subject.translated	artificial neural networks	en
dc.subject.translated	analogue neural networks	en
dc.subject.translated	spiking neural networks	en
dc.subject.translated	eeg	en
dc.subject.translated	tensorflow	en
dc.subject.translated	keras	en
dc.subject.translated	augmentation	en
dc.subject.translated	p300 dataset	en
dc.thesis.degree-grantor	Západočeská univerzita v Plzni. Fakulta aplikovaných věd
dc.thesis.degree-level	Bakalářský
dc.thesis.degree-name	Bc.
dc.thesis.degree-program	Informatika a výpočetní technika
dc.title	Rozšíření dat pro zpracování biologického signálu	cs
dc.title.alternative	Data augmentation for biological signal processing	en
dc.type	bakalářská práce
local.relation.IS	https://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=89753