Automatická klasifikace spánkových fází
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
D
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Tato diplomová práce se zabývá klasifikací spánkových fází na základě polysomnografických signálů. Pro vybrané signály byla provedena analýza a selekce příznaků v časové oblasti a ve frekvenční oblasti. Příznaky ke klasifikaci byly získány ze signálů EEG, EOG a EMG. Jako klasifikátory byly použity klasifikační modely typu K-NN, SVM, a umělé neuronové sítě. Úspěšnost klasifikace se liší podle použité metody a rozdělení skupin. Nejlepších výsledků dosahovala klasifikace mezi stavy bdělosti, fáze REM a N3, a to za pomoci neuronové sítě. Zde bylo dosaženo celkové úspěšnosti 93,1 %.
This master thesis deals with classification of sleep stages on the base of polysomnographic signals. On several signals was performed analysis and feature extraxtion in time domain and in frequency domain as well. For feature extraxtion was used EEG, EOG and EMG signals. For classification was selected classification models K-NN, SVM and artifical neural network. Accuracy of classifation is different depending on used method and spleep stages split. The best results achieved classification among stages Wake, REM, and N3, with neural network usage. In this case the succes was 93,1 %.
This master thesis deals with classification of sleep stages on the base of polysomnographic signals. On several signals was performed analysis and feature extraxtion in time domain and in frequency domain as well. For feature extraxtion was used EEG, EOG and EMG signals. For classification was selected classification models K-NN, SVM and artifical neural network. Accuracy of classifation is different depending on used method and spleep stages split. The best results achieved classification among stages Wake, REM, and N3, with neural network usage. In this case the succes was 93,1 %.
Description
Keywords
Elektroencefalografie (EEG), Výkonová spektrální hustota (PSD), Umělá neuronová síť, Polysomnografie (PSG), Automatická klasifikace, klasifikátor K-NN, klasifikátor SVM., Electroencephalography (EEG), Power spectral density (PSD), Artifical neural network, Polysomnography (PSG), Automatical classification, K-NN classificator, SVM classificator.
Citation
SCHWANZER, M. Automatická klasifikace spánkových fází [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Biomedicínské a ekologické inženýrství
Comittee
doc. Ing. Jana Kolářová, Ph.D. (předseda)
Ing. Martin Mézl, Ph.D. (místopředseda)
Ing. Marina Ronzhina, Ph.D. (člen)
Ing. Radovan Jiřík, Ph.D. (člen)
Ing. Martin Čížek, Ph.D. (člen)
MUDr. Tibor Stračina, Ph.D. (člen)
Date of acceptance
2019-06-06
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky.
Student neměl k posudkům výhrad-
Ing. Jiřík položil otázku na porovnávání výsledků práce s dalšími studiemi. Dále se zeptal na trénovací množinu a původ dat.
Ing. Mézl položil otázku na topologii použité neuronové sítě.
MUDr. Stračina položil otázku na medicínskou aplikaci polysomnografického vyšetření.
Student obhájil bakalářskou práci s výhradami a odpověděl na otázky členů komise.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení