EEG jelek osztályozása feladatváltási paradigmában mély neurális hálózatokkal

OData támogatás
Konzulens:
Dr. Szaszák György József
Távközlési és Médiainformatikai Tanszék

Az elektroenkefalográfiás (EEG) jelek mérése, elemzése és értelmezése egy olyan komplex feladat, mely több mérnöki terület szakismereteit is igényli. Jelen munkámban ismertetem az EEG biofizikai alapjait, és hogy milyen lehetőségek nyíltak az agyból érkező jelek vizsgálatára. Kitérek a jelek előfeldolgozására, a jel-zaj viszony hatékony növelésének eszközeire, valamint az EEG komponenseinek értelmezésére. Emellett a gépi tanulás témakörét bemutatva kitérek az egyszerű lineáris modellekre, majd hogy ezeknek a kombinációi hogyan építenek fel egyre komplexebb modelleket, egészen a mély tanulásos neurális hálókig. Ezen alapokra építkezve a szakdolgozatom bemutatja a gépi tanulás témakörén belül, hogy a rekurrens neurális hálókat milyen módon lehet az EEG jelek elemzésére felhasználni. A fő eszközöm a bináris klasszifikáció, mellyel megadott kritériumoknak megfelelően tesztelem egy akadémiai adathalmaz szeparálhatóságát és javaslatot teszek egy potenciálisan újfajta EEG értelmezési módra. Végül a rekurrens neurális hálós modellek teljesítményét értékelem egy klasszikus statisztikai tanuló eljáráshoz mérten, ami a szupport vektor gépeket jelenti

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.