Study of changes in brain signals due to exercise

Abstract

Tato práce se zabývá úkolem detekce změn v elektroencefalografických (EEG) záznamech vyvolaných cvičením. Byl trénován model pro binární klasifikaci stavů EEG, kde klasifikuje EEG záznamy buď jako před cvičením, nebo po cvičení. Bylo vyzkoušeno mnoho různých přístupů extrakce příznaků a klasifikace. Nejlepších výsledků bylo dosaženo pomocí k-NN klasifikátoru trénovaného na časových, frekvenčních a konektivních měřeních, s následnou redukcí dimenzionality pomocí PCA a LDA. Výsledná subjektivní přesnost v křížové validaci byla 68 % (senzitivita = 0,79, specificita = 0,57, F1 score = 0,71), což významně překonalo základní model většinové třídy (54 %; p = 0,014).

This thesis deals with the task of detecting exercise-induced alterations in electroencephalogram (EEG) recordings. A model was trained for binary classification of EEG states, where it classifies EEG recordings as either before exercise or after exercise. Many different feature extraction and classification approaches were tried. The best results were obtained using a k-NN classifier trained on time-domain, frequency-domain, and connectivity measures, following dimensionality reduction with PCA and LDA. The resulting subject-level accuracy in cross-validation was 68 % (sensitivity = 0.79, specificity = 0.57, F1 score = 0.71), significantly outperforming a baseline (54 %; p = 0.014).