Artefacts Removal from Brain EEG Signals Using Adaptive Algorithms

Simple item page
but.committeeprof. Dr. Ing. Jan Černocký (předseda) doc. Ing. Zdeněk Vašíček, Ph.D. (člen) Ing. Václav Šátek, Ph.D. (člen) Ing. Filip Orság, Ph.D. (člen) Ing. Vladimír Bartík, Ph.D. (člen)cs
but.defenceStudent nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm B.cs
but.jazykangličtina (English)
but.programInformační technologiecs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorShakil, Sadiaen
dc.contributor.authorHatala, Jurajen
dc.contributor.refereeJawed, Soyibaen
dc.date.accessioned2023-07-17T08:03:57Z
dc.date.available2023-07-17T08:03:57Z
dc.date.created2023cs
dc.description.abstractTato práce se zabývá problémem artefaktů ve záznamech elektroencefalografie (EEG) a metodami jejich odstranění s důrazem na adaptivní filtrace. Artefakty jsou neodmys- litelnou součástí metody EEG a negativně ovlivňují analýzu výsledků tím, že překrývají zájmové mozkové signály. Adaptivní filtrace je všestrannou metodou, kterou lze použít pro odstranění těchto artefaktů, pokud je k dispozici referenční signál korelovaný s arte- faktem. Hlavním cílem této práce je návrh a implementace frameworku, který umožní aplikaci metod adaptivní filtrace na EEG data. Druhotným cílem je posouzení účinnosti nového algoritmu Q-LMS při odstraňování artefaktů z EEG, protože dosud nebyl v tomto scénáři použit. Práce představuje knihovnu v prostředí Python pro adaptivní filtrace EEG a ukazuje a hodnotí experimenty pro scénáře odstraňování artefaktů s použitím Q-LMS fil- tru implementovaného v navržené knihovně. V této knihovně je uživatel schopen vytvářet přizpůsobitelné filtrační pipeliny. Knihovna nabízí různé adaptivní filtry a metody vytváření referenčního signálu s důrazem na zpracování neurologických dat ve formátu BIDS. Uži- vatel však může sdílet vlastní filtry s frameworkem a také používat vlastní vstupní data a referenční signály. Experimenty s Q-LMS algoritmem ukázaly, že se jedná o dobře fun- gující adaptivní algoritmus, avšak výsledky filtrace byly průměrný ve srovnání s výsledky dosaženými jinými standardními adaptivními algoritmyen
dc.description.abstractThis thesis covers the problem of artifacts in electroencephalography (EEG) data and the methods used to remove them with a focus on adaptive filtering. Artifacts are an unavoid- able part of the EEG method and they have a negative impact on the analysis of the results by covering the brain signals of interest. Adaptive filtering is a versatile method that can be used for removal of these artifacts if the reference signal correlated with the artifact is pro- vided. The primary goal of this thesis is a proposal and implementation of the framework that can be used to apply methods of adaptive filtering on EEG data. The secondary goal is to examine the effectiveness of a novel Q-LMS algorithm on the task of removal of artifacts from EEG as it was not yet used in this scenario. The work is introducing a library in a Python environment for EEG adaptive filtering and shows and evaluates experiments for EEG artifact removal scenarios with a Q-LMS filter implemented in the proposed library. In this library, a user is able to construct customizable filtering pipelines. The library of- fers a variety of adaptive filters and reference-building methods with a focus on processing neurological data in BIDS format. However, the user is able to share his custom filters with the framework as well as use his own input data and reference signals. The experiments with Q-LMS showed that it is a well-functioning adaptive algorithm yet the filtering results were moderate in contrast to results obtained by other standard adaptive algorithms.cs
dc.description.markBcs
dc.identifier.citationHATALA, J. Artefacts Removal from Brain EEG Signals Using Adaptive Algorithms [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2023.cs
dc.identifier.other146185cs
dc.identifier.urihttp://hdl.handle.net/11012/211095
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta informačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectEEGen
dc.subjectelektroencefalografieen
dc.subjectadaptivní filtraceen
dc.subjectadaptivní algoritmusen
dc.subjectpotlačení šumuen
dc.subjectEEG artefakten
dc.subjectneurologieen
dc.subjectPython frameworken
dc.subjectLMSen
dc.subjectQ-LMSen
dc.subjectreferenční signálen
dc.subjectRLSen
dc.subjectsignál lidské řečien
dc.subjectkaskádová filtraceen
dc.subjectzpracování signálůen
dc.subjectEMGen
dc.subjectEKGen
dc.subjectEOGen
dc.subjectEEGcs
dc.subjectelectroencephalographycs
dc.subjectadaptive filteringcs
dc.subjectadaptive algorithmcs
dc.subjectnoise cancelationcs
dc.subjectEEG artifactcs
dc.subjectneurologycs
dc.subjectPython frameworkcs
dc.subjectLMScs
dc.subjectQ-LMScs
dc.subjectreference signalcs
dc.subjectRLScs
dc.subjecthuman speech signalcs
dc.subjectcascade filteringcs
dc.subjectsignal processingcs
dc.subjectEMGcs
dc.subjectECGcs
dc.subjectEOGcs
dc.titleArtefacts Removal from Brain EEG Signals Using Adaptive Algorithmsen
dc.title.alternativeArtefacts Removal from Brain EEG Signals Using Adaptive Algorithmscs
dc.typeTextcs
dc.type.driverbachelorThesisen
dc.type.evskpbakalářská prácecs
dcterms.dateAccepted2023-06-15cs
dcterms.modified2023-06-15-16:13:19cs
eprints.affiliatedInstitution.facultyFakulta informačních technologiícs
sync.item.dbid146185en
sync.item.dbtypeZPen
sync.item.insts2023.07.17 10:03:56en
sync.item.modts2023.07.17 09:35:11en
thesis.disciplineInformační technologiecs
thesis.grantorVysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačových systémůcs
thesis.levelBakalářskýcs
thesis.nameBc.cs
Files
Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
final-thesis.pdf
Size:
5.2 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
review_146185.html
Size:
6.89 KB
Format:
Hypertext Markup Language
Description:
review_146185.html
Download
Collections
2023