|
|
|
|
| LEADER |
03120na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2017 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid6419
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Franjić, Petra
|
| 245 |
1 |
0 |
|a Izlučivanje značajki iz elektroencefalograma i klasifikacija u svrhu detekcije pospanosti primjenom umjetnih neuronskih mreža :
|b diplomski rad /
|c Petra Franjić ; [mentor Mario Cifrek].
|
| 246 |
1 |
|
|a Feature Extraction from Electroencephalogram and Drowsiness Classification Using Artificial Neural Networks
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b P. Franjić,
|c 2017.
|
| 300 |
|
|
|a 63 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b diplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Računarska znanost, šifra smjera: 56, datum predaje: 2017-06-29, datum završetka: 2017-07-04
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: U ovom radu ispitana je uspješnost razlicitih tipova neuronskih mreža u
zadatku detekcije pospanosti na temelju jednog kanala elektroencefalografskog (EEG)
zapisa. U sklopu rada, na temelju EEG signala ekstrahiran je skup znacajki u razlicitim
domenama analize. Postupkom selekcije znacajki generirani su razliciti podskupovi
znacajki koji su zatim ispitani u radu sa skupom klasifikatora. Kao najbolji klasifikator
istaknula se mreža s povratnim slojevima koja je u kombinaciji s 4 ekstrahirane znacajke
postigla srednju ukupnu tocnost klasifikacije razlicitih stanja svijesti u iznosu 83,3% i
Cohenov kappa koeficijent 0,73. Isti klasifikator je u kombinaciji s 20 znacajki ostvario i
najbolju postignutu detekciju pospanosti, koja je iznosila 55%. Ispitivanje je provedeno
na javno dostupnoj Physionet Sleep-EDF [Expanded] bazi polisomnografskih snimaka.
|
| 520 |
3 |
|
|a Sažetak na engleskom: The aim of this thesis was to evaluate the performance of different
types of neural networks with regard to the task of drowsiness detection based on a
single electroencephalographic (EEG) channel. Firstly, a set of features was formed
based on feature extraction in distinct domains of analysis. Then, different subsets of
features were generated through a feature selection procedure. Finally, the performance
of classifiers of interest was examined when they were used in combination with the
generated feature subsets. The results singled out the layer-recurrent neural network as
the best-performing classifier, achieving 83,3% overall classification accuracy of different
states of wakefulness with Cohen’s kappa coefficient 0,73. This classifier also achieved
the best drowsiness detection performance, reaching 55% recall when it was used with
20 features. Data were obtained from the publicly available Physionet Sleep-EDF
[Expanded] database of polysomnographic recordings.
|
| 653 |
|
1 |
|a elektroencefalografija, detekcija pospanosti, neuronske mreže, povratne neuronske mreže, obrada biomedicinskih signala
|
| 653 |
|
1 |
|a electroencephalography, drowsiness detection, neural networks, recurrent neural networks, biomedical signal processing
|
| 700 |
1 |
|
|a Cifrek, Mario
|4 ths
|
| 942 |
|
|
|c Y
|
| 999 |
|
|
|c 48517
|d 48517
|