Electroencephalogram (EEG) and machine learning based classification of depression: unveiling hidden patterns for early detection
| but.committee | 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) | cs |
| but.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. | cs |
| but.jazyk | angličtina (English) | |
| but.program | Informační technologie | cs |
| but.result | práce byla úspěšně obhájena | cs |
| dc.contributor.advisor | Zaheer, Muhammad Asad | en |
| dc.contributor.author | Jurkechová, Adriana | en |
| dc.contributor.referee | Malik, Aamir Saeed | en |
| dc.date.created | 2024 | cs |
| dc.description.abstract | Táto práca sa zaoberá predspracovaním EEG signálov, extrakciou vlastností a klasifikáciou pacientov s depresiou a zdravou kontrolnou skupinou. Na klasifikáciu bolo zväžených a ohodnotených 5 modelov strojového učenia. Získané poznatky potvrdzujú výsledky z predchádzajúcich výskumov a poukazujú na dôležitosť veľkého a diverzného datasetu. Táto práca pracuje s verejne dostupným datasetom. | en |
| dc.description.abstract | This work deals with the pre-processing EEG signals, extraction of the features and classifying depressed patients and healthy control group. For classification, 5 different machine learning models were considered and evaluated. Findings confirm results from prior research and show the importance of a large, diverse dataset. This work utilises a public dataset. | cs |
| dc.description.mark | B | cs |
| dc.identifier.citation | JURKECHOVÁ, A. Electroencephalogram (EEG) and machine learning based classification of depression: unveiling hidden patterns for early detection [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2024. | cs |
| dc.identifier.other | 153450 | cs |
| dc.identifier.uri | http://hdl.handle.net/11012/246895 | |
| dc.language.iso | en | cs |
| dc.publisher | Vysoké učení technické v Brně. Fakulta informačních technologií | cs |
| dc.rights | Standardní licenční smlouva - přístup k plnému textu bez omezení | cs |
| dc.subject | EEG | en |
| dc.subject | depresia | en |
| dc.subject | strojové učenie | en |
| dc.subject | predspracovanie signálov | en |
| dc.subject | extracia vlastností | en |
| dc.subject | klasifikácia depresie | en |
| dc.subject | EEG | cs |
| dc.subject | depression | cs |
| dc.subject | machine learning classification | cs |
| dc.subject | signal pre-processing | cs |
| dc.subject | feature extraction | cs |
| dc.subject | depression classification | cs |
| dc.title | Electroencephalogram (EEG) and machine learning based classification of depression: unveiling hidden patterns for early detection | en |
| dc.title.alternative | Electroencephalogram (EEG) and machine learning based classification of depression: unveiling hidden patterns for early detection | cs |
| dc.type | Text | cs |
| dc.type.driver | bachelorThesis | en |
| dc.type.evskp | bakalářská práce | cs |
| dcterms.dateAccepted | 2024-06-11 | cs |
| dcterms.modified | 2024-06-17-08:46:05 | cs |
| eprints.affiliatedInstitution.faculty | Fakulta informačních technologií | cs |
| sync.item.dbid | 153450 | en |
| sync.item.dbtype | ZP | en |
| sync.item.insts | 2025.03.18 21:01:07 | en |
| sync.item.modts | 2025.01.15 19:12:56 | en |
| thesis.discipline | Informační technologie | cs |
| thesis.grantor | Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačových systémů | cs |
| thesis.level | Bakalářský | cs |
| thesis.name | Bc. | cs |