Klasifikace pohybu z EEG dat

Hrabík, Václav

Klasifikace pohybu z EEG dat

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	2024-6-17
dc.date.accessioned	2024-07-12T09:14:33Z
dc.date.available	2023-9-8
dc.date.available	2024-07-12T09:14:33Z
dc.date.issued	2024
dc.date.submitted	2024-5-15
dc.description.abstract	Pacienti s paralýzou nervosvalového systému mají těžkou cestu k rehabilitaci. K zefektivnění a zrychlení této rehabilitace je potřeba, aby při rehabilitaci nebyly procvičovány jen svaly, ale i mozek. Pro lepší zapojení mozku se používá Brain-computer interface (BCI). BCI se snaží rozpoznávat mozkové signály a převádět je do příkazů pro zařízení. Za tím účelem využíváme Motor Imagery (MI), kde si pohyb pouze představujeme bez jeho vykonání, protože je dokázáno, že tyto dva stavy jsou téměř totožné. Tyto signály reprezentované pomocí EEG jsou v této práci rozpoznávany aktuálními klasifikátory, jako jsou MLP, CNN, LSTM a Transformer. Tato práce ukázala velkou odlišnost mezi jednotlivými lidmi v experimentech. Nejvíce úspěšní lidé dosáhli až 75 % přesnosti klasifikace jejich pohybu.	cs
dc.description.abstract-translated	Patients with neuromuscular paralysis have a difficult road to rehabilitation. To make this rehabilitation more effective and faster, rehabilitation should not only exercise the muscles but also engage the brain. To achieve that, a Brain-computer interface (BCI) is used. The BCI tries to recognize and translate brain signals into the output commands for devices. For this, we use Motor Imagery (MI), where we imagine the movement without executing it, as it has been proven that these two states are almost identical. In this work, these signals represented by EEG are recognized by recent classifiers such as MLP, CNN, LSTM, and Transformer. This work has shown a large variation between people in the experiments. The most successful people achieved up to 75 % accuracy in classifying their motion.	en
dc.description.result	Obhájeno
dc.format	65
dc.identifier	96731
dc.identifier.uri	http://hdl.handle.net/11025/57239
dc.language.iso	en
dc.publisher	Západočeská univerzita v Plzni
dc.rights	Plný text práce je přístupný bez omezení
dc.subject	ann	cs
dc.subject	mlp	cs
dc.subject	cnn	cs
dc.subject	lstm. transformer	cs
dc.subject	strojové učení	cs
dc.subject	eeg	cs
dc.subject	představa pohybu	cs
dc.subject	bci	cs
dc.subject	mi datasety	cs
dc.subject.translated	ann	en
dc.subject.translated	mlp	en
dc.subject.translated	cnn	en
dc.subject.translated	lstm. transformer	en
dc.subject.translated	machine learning	en
dc.subject.translated	eeg	en
dc.subject.translated	motor imagery	en
dc.subject.translated	bci	en
dc.subject.translated	mi dataset	en
dc.thesis.degree-grantor	Západočeská univerzita v Plzni. Fakulta aplikovaných věd
dc.thesis.degree-level	Navazující
dc.thesis.degree-name	Ing.
dc.thesis.degree-program	Softwarové a informační systémy
dc.title	Klasifikace pohybu z EEG dat	cs
dc.title.alternative	Movement classification from EEG data	en
dc.type	diplomová práce