but.committee	doc. Ing. Jaroslav Láčík, Ph.D. (předseda) doc. Ing. Tomáš Götthans, Ph.D. (místopředseda) Ing. Peter Barcík, Ph.D. (člen) doc. Ing. Martin Slanina, Ph.D. (člen) Ing. Rudolf Procházka (člen)	cs
but.defence	Student prezentuje výsledky a postupy řešení své diplomové práce. Následně odpovídá na dotazy vedoucího a oponenta práce a na dotazy členů zkušební komise: Otázky oponenta: Jakým způsobem byly jednotlivé hyperparametry z tab. 5.1 kódovány na odpovídající geny? Studentka odpovídá a vysvětluje. Jaký kernel byl použit v CNN ? Studentka odpovídá, že využila 2 CNN a typy kernelu ukazuje v tabulce z prezentace. Vysvětlete princip McNemar testu. Studentka odpovídá, že dle něj porovnávala vylepšení své sítě. Dále probíhá diskuze s členy komise.	cs
but.jazyk	angličtina (English)
but.program	Elektronika a komunikační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Götthans, Tomáš	en
dc.contributor.author	Pijáčková, Kristýna	en
dc.contributor.referee	Maršálek, Roman	en
dc.date.created	2023	cs
dc.description.abstract	Tato práce se zabývá optimalizací hyperparametrů neuronových sítí pro zpracování EEG signálu pomocí evolučních algoritmů. Využití evolučních optimalizace může snížit závislost na lidské intuici a empirických znalostech při návrhu neuronové sítě a může tak zefektivnit návrh neuronové sítě. V této práci byl navržen genetický algoritmus, který je vhodný pro optimalizaci hyperparametrů i pro hledání neuronové architektury. Tyto metody byly porovnány s referenčním modelem navrženým inženýrem s expertýzou v této oblasti. Data použitá v této práci jsou rozdělena do čtyř kategorií a pocházejí z Fakultní nemocnice svaté Anny v Brně (SAUH) a Mayo kliniky (MAYO) a obsahují iEEG záznamy u pacienta s epilepsií rezistentní na léky, který podstupuje předoperační vyšetření. Metoda hledání neuronové architektury dosáhla výsledků srovnatelných s referenčním modelem. Optimalizovaný model zlepšil F1 skóre oproti originálnímu, empiricky navrženému modelu z 0.9076 na 0.9673 pro data z SAUH a 0.9222 na 0.9400 pro data z Mayo kliniky. Ke zvýšenému skóre přispěla hlavně zvýšená přesnost klasifikace patologických událostí a šumu, která může mít dále pozitivní vliv v aplikacích tohoto modelu v detektoru záchvatů a šumu.	en
dc.description.abstract	This thesis deals with an optimization of neural network hyperparameters for EEG signal processing using evolutionary algorithms. The incorporation of evolutionary optimization can reduce reliance on human intuition and empirical knowledge when designing neural network and can thus make the process design more effective. In this work, a genetic algorithm was proposed that is suitable for hyperparameters optimization as well as neural architecture search. These methods were compared to a benchmark model designed by an engineer with expertise in iEEG processing. Data used in this work are classified into four categories and come from St. Anne's University Hospital (SAUH) and Mayo Clinic (MAYO) and were recorded on drug-resistant epileptic patients undergoing pre-surgical examination. The results of the neural architecture search method were comparable with the benchmark model. The hyperparameter optimization improved the F1 score over the original, empirically designed, model from 0.9076 to 0.9673 for the SAUH data and 0.9222 to 0.9400 for the Mayo Clinic data. The increased scores were mainly due to the increased accuracy of the classification of pathological events and noise, which may have further positive implications in applications of this model in seizure and noise detectors.	cs
dc.description.mark	A	cs
dc.identifier.citation	PIJÁČKOVÁ, K. Optimalizace architektury neuronových sítí pro zpracování EEG pomocí evolučních algoritmů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.	cs
dc.identifier.other	151755	cs
dc.identifier.uri	http://hdl.handle.net/11012/209980
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	Neuronová síť	en
dc.subject	deep learning	en
dc.subject	optimizace	en
dc.subject	evoluční algoritmy	en
dc.subject	genetický algoritmus	en
dc.subject	hledání neuronové architektury	en
dc.subject	optimalizace hyperparametrů	en
dc.subject	iEEG	en
dc.subject	epilepsie	en
dc.subject	Neural network	cs
dc.subject	deep learning	cs
dc.subject	optimization	cs
dc.subject	evolutionary algorithms	cs
dc.subject	genetic algorithm	cs
dc.subject	neural architecture search	cs
dc.subject	hyperparameter optimization	cs
dc.subject	iEEG	cs
dc.subject	epilepsy	cs
dc.title	Optimalizace architektury neuronových sítí pro zpracování EEG pomocí evolučních algoritmů	en
dc.title.alternative	Optimizing neural network architecture for EEG processing using evolutionary algorithms	cs
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2023-06-06	cs
dcterms.modified	2023-06-07-10:28:10	cs
eprints.affiliatedInstitution.faculty	Fakulta elektrotechniky a komunikačních technologií	cs
sync.item.dbid	151755	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 14:32:56	en
sync.item.modts	2025.01.15 12:40:17	en
thesis.discipline	bez specializace	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav radioelektroniky	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Optimalizace architektury neuronových sítí pro zpracování EEG pomocí evolučních algoritmů

Files

Original bundle

Collections