Implementace algoritmu Empirical-Mode Decomposition (EMD) pro vícerozměrná data

Show simple item record
dc.contributor.advisorProkop Tomáš, Ing.
dc.contributor.authorVampol, Jan
dc.contributor.refereeMouček Roman, Ing. Ph.D.
dc.date.accepted2017-6-8
dc.date.accessioned2018-01-15T15:04:46Z
dc.date.available2016-10-10
dc.date.available2018-01-15T15:04:46Z
dc.date.issued2017
dc.date.submitted2017-5-4
dc.description.abstractZpracování EEG signálu je stále aktuální problém. Mezi běžně používané časově-frekvenční metody patří např. waveletová transformace nebo Matching Pursuit. Ty ale umí pracovat pouze se signálem o jediném kanálu. Jejich aplikace na každý kanál zvlášť vede ke ztrátě informací projevujících se napříč kanály. Z toho důvodu bylo navrženo několik metod, které dokáží pracovat s vícekanálovým signálem. Mezi tyto metody patří algoritmus vícerozměrné empirické modální dekompozice. Jedná se o rozšíření empirické modální dekompozice (EMD). Algoritmus rozkládá signál na tzv. vlastní modální funkce (IMF). Algoritmus MEMD byl implementován do existující knihovny EEGHHT a otestován na reálných EEG datech. Z testování se ukázalo, že MEMD řeší problém ztráty informací a také zajišťuje stejný počet IMF pro každý kanál signálu.cs
dc.description.abstract-translatedEEG signal processing is frequently approached problem. Commonly used methods include Wavelet Transformation and Matching Pursuit. Those methods are limited to process only single channel signals and can't be used on multichannel signals directly. This problem can be solved by applying mentioned algorithms on each channel separately. A consequence of this approach is a loss of information among channels. Several methods were proposed to work directly with multichannel signals. One of those methods is Multivariate Empirical Mode Decomposition (MEMD). It is an extension of Empirical Mode Decomposition. EMD is a method, which decomposes signal into a set of so-called Intrinsic Mode Functions (IMF). MEMD algorithm was implemented into the existing EEGHHT library and it was tested on real EEG data. Testing showed that MEMD solved the problem of information loss and also ensured the same amount of IMFs per channel.en
dc.description.resultObhájenocs
dc.format46 s.cs
dc.format.mimetypeapplication/pdf
dc.identifier67776
dc.identifier.urihttp://hdl.handle.net/11025/27685
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.subjectvícerozměrná empirická modální dekompozicecs
dc.subjecthilbert-huangova transformacecs
dc.subject.translatedelectroencephalographyen
dc.subject.translatedevent-related potentialen
dc.subject.translatedmultivariate empirical mode decompositionen
dc.subject.translatedhilbert-huang transformen
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta aplikovaných vědcs
dc.thesis.degree-levelBakalářskýcs
dc.thesis.degree-nameBc.cs
dc.thesis.degree-programInženýrská informatikacs
dc.titleImplementace algoritmu Empirical-Mode Decomposition (EMD) pro vícerozměrná datacs
dc.title.alternativeImplementation of Empirical-Mode Decomposition (EMD) algorithm for multidimensional dataen
dc.typebakalářská prácecs
local.relation.IShttps://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=67776

Files

Original bundle
Showing 1 - 4 out of 4 results
No Thumbnail Available
Name:
Vampol-Jan-2017.pdf
Size:
2.52 MB
Format:
Adobe Portable Document Format
Description:
Plný text práce
Download
No Thumbnail Available
Name:
A13B0459P-hodnoceni.pdf
Size:
409.55 KB
Format:
Adobe Portable Document Format
Description:
Posudek vedoucího práce
Download
No Thumbnail Available
Name:
A13B0459P-posudek.pdf
Size:
689.5 KB
Format:
Adobe Portable Document Format
Description:
Posudek oponenta práce
Download
No Thumbnail Available
Name:
A13B0459P-obhajoba.pdf
Size:
220.27 KB
Format:
Adobe Portable Document Format
Description:
Průběh obhajoby práce
Download

Collections

Bachelor´s works (KIV)