Integrace metod strojového učení do nástroje pro zpracování elektrofyziologických dat

Show simple item record
dc.contributor.advisorMouček Roman, Ing. Ph.D.
dc.contributor.authorKupilík, Filip
dc.contributor.refereeVařeka Lukáš, Ing. Ph.D.
dc.date.accepted2020-9-8
dc.date.accessioned2020-11-10T00:38:41Z
dc.date.available2019-9-11
dc.date.available2020-11-10T00:38:41Z
dc.date.issued2020
dc.date.submitted2020-8-7
dc.description.abstractCílem této práce je integrace metod strojového učení do vybraného nástroje pro zpracování standardizovaných elektrofyziologických dat. V práci jsou aktuální nástroje zmapovány a jsou zanalyzovány jejich současné možnosti využití metod strojového učení. Do vybraného nástroje jsou poté integrovány klasifikační metody strojového učení, jež se používají v neuroinformatické laboratoři na FAV ZČU. Proveditelnost zvoleného řešení je ověřena implementací experimentu s reálnými daty. Výsledný kód a uživatelský manuál jsou sdíleny ve veřejně dostupném repositáři.cs
dc.description.abstract-translatedThe goal of the thesis is the integration of machine learning methods into a chosen tool for processing standardized electrophysiological data. The thesis maps current tools and analyzes their current possibilities of using machine learning methods. The classification machine learning methods, which are used in the neuroinformatics laboratory at the Faculty of Applied Sciences in the University of West Bohemia, are then integrated into the chosen tool. The functionality of the solution is verified by the implementation of the experiment with real dataset. The source code and user manual are shared in a public repository.en
dc.description.resultObhájenocs
dc.format103 s. (172084 znaků)cs
dc.format.mimetypeapplication/pdf
dc.identifier82496
dc.identifier.urihttp://hdl.handle.net/11025/41757
dc.language.isocscs
dc.publisherZápadočeská univerzita v Plznics
dc.rightsPlný text práce je přístupný bez omezení.cs
dc.rights.accessopenAccessen
dc.subjectelektroencefalografiecs
dc.subjectevokované potenciálycs
dc.subjectklasifikacecs
dc.subjectstrojové učenícs
dc.subjecthluboké učenícs
dc.subjectmnecs
dc.subjectscikit-learncs
dc.subjectkerascs
dc.subject.translatedelectroencephalographyen
dc.subject.translatedevent-related potentialsen
dc.subject.translatedclassificationen
dc.subject.translatedmachine learningen
dc.subject.translateddeep learningen
dc.subject.translatedmneen
dc.subject.translatedscikit-learnen
dc.subject.translatedkerasen
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta aplikovaných vědcs
dc.thesis.degree-levelNavazujícícs
dc.thesis.degree-nameIng.cs
dc.thesis.degree-programInženýrská informatikacs
dc.titleIntegrace metod strojového učení do nástroje pro zpracování elektrofyziologických datcs
dc.title.alternativeIntegration of machine learning methods into electrophysiological data processing toolen
dc.typediplomová prácecs
local.relation.IShttps://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=82496

Files

Original bundle
Showing 1 - 4 out of 4 results
No Thumbnail Available
Name:
DP_Kupilik_A19N0117P.pdf
Size:
3.16 MB
Format:
Adobe Portable Document Format
Description:
Plný text práce
Download
No Thumbnail Available
Name:
A19N0117Phodnoceni-ved.pdf
Size:
418.57 KB
Format:
Adobe Portable Document Format
Description:
Posudek vedoucího práce
Download
No Thumbnail Available
Name:
A19N0117Pposudek-op.pdf
Size:
42.41 KB
Format:
Adobe Portable Document Format
Description:
Posudek oponenta práce
Download
No Thumbnail Available
Name:
A19N0117Pobhajoba.PDF
Size:
249.87 KB
Format:
Adobe Portable Document Format
Description:
Průběh obhajoby práce
Download

Collections

Theses (KIV)