Electroencephalogram (EEG) and machine learning-based classification of various stages of mental stress
Loading...
Date
Authors
Lapčíková, Tereza
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Tato závěrečná práce se věnuje rozpoznávání a klasifikaci různých úrovní psychické zátěže z elektroencefalogramu (EEG). V rámci této práce bylo vytvořeno několik modelů SVM a LSTM, které klasifikují EEG data do tří tříd odpovídajících mentální zátěži – nízká mentální zátěže, střední mentální zátěž a vysoká mentální zátěž. Proces vedoucí k tvorbě těchto modelů se skládal z kroků jako je úprava vstupního signálu, extrakce jeho vlastností a implementace modelu pro samotnou klasifikaci. Toto řešení taktéž obsahuje augmentaci dat. Nejvyšší dosažená přesnost klasifikace byla 90 %, a to s modelem SVM. Nejlepší LSTM model obsahoval tři vrstvy LSTM a přesnost jeho výsledné klasifikace byla 70 %.
This thesis deals with the recognition of various stress stages experienced by patients from electroencephalogram (EEG). Various Support Vector Machine (SVM) and Long Short-Term Memory (LSTM) models classifying EEG into three classes – not stressed, moderate stressed, and very stressed were created. The process of implementing such a classifier consisted of data preparation, extraction, and finally, classification. This solution also implements augmentation of data. The highest accuracy achieved in this thesis was of 90 % using the SVM model. The best LSTM model was a three-layer LSTM and achieved classification accuracy of 70 %.
This thesis deals with the recognition of various stress stages experienced by patients from electroencephalogram (EEG). Various Support Vector Machine (SVM) and Long Short-Term Memory (LSTM) models classifying EEG into three classes – not stressed, moderate stressed, and very stressed were created. The process of implementing such a classifier consisted of data preparation, extraction, and finally, classification. This solution also implements augmentation of data. The highest accuracy achieved in this thesis was of 90 % using the SVM model. The best LSTM model was a three-layer LSTM and achieved classification accuracy of 70 %.
Description
Citation
LAPČÍKOVÁ, T. Electroencephalogram (EEG) and machine learning-based classification of various stages of mental stress [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2024.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
Informační technologie
Comittee
doc. Ing. Tomáš Martínek, Ph.D. (předseda)
Ing. Ivana Burgetová, Ph.D. (člen)
Ing. Vladimír Veselý, Ph.D. (člen)
doc. Mgr. Adam Rogalewicz, Ph.D. (člen)
Ing. Tomáš Milet, Ph.D. (člen)
Date of acceptance
2024-06-11
Defence
Studentka nejprve prezentovala výsledky, kterých dosáhla v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Studentka následně odpověděla na otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studentky na položené otázky rozhodla práci hodnotit stupněm B.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení