Evoluční optimalizace extraktoru příznaků klasifikátoru EEG
| but.committee | doc. Ing. František Zbořil, Ph.D. (předseda) doc. RNDr. Dana Hliněná, Ph.D. (člen) Ing. Michal Hradiš, Ph.D. (člen) doc. Ing. Michal Bidlo, Ph.D. (člen) Ing. Vladimír Veselý, 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 oponenta a na další 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 | čeština (Czech) | |
| but.program | Informační technologie | cs |
| but.result | práce byla úspěšně obhájena | cs |
| dc.contributor.advisor | Mrázek, Vojtěch | cs |
| dc.contributor.author | Ovesná, Anna | cs |
| dc.contributor.referee | Hurta, Martin | cs |
| dc.date.accessioned | 2023-07-17T08:03:44Z | |
| dc.date.available | 2023-07-17T08:03:44Z | |
| dc.date.created | 2023 | cs |
| dc.description.abstract | Tato práce se zaměřuje na optimalizaci klasifikace EEG signálu alkoholiků a kontrolních subjektů pomocí evolučních algoritmů s vícekriteriálním přístupem. Hlavním cílem je maximalizovat přesnost, senzitivitu a specificitu klasifikačního algoritmu a minimalizovat počet použitých příznaků. Práce využívá čtyři různé klasifikátory, konkrétně Support Vector Machine, k-nearest neighbors, Naive Bayes a AdaBoost. Výběr nejlepších příznaků je optimalizován pomocí tří různých evolučních přístupů, z nichž dva převádějí vícekriteriální optimalizaci na jednokriteriální pomocí váženého součtu a omezení maximálního počtu příznaků. Pareto optimální řešení nalézá algoritmus NSGA-II. Výsledky dokazují, že evoluční algoritmy v kombinaci s vhodnými klasifikátory spolehlivě rozeznají člověka se sklonem k alkoholismu od toho se zdravým vztahem k alkoholu. | cs |
| dc.description.abstract | This work focuses on the optimisation of EEG signal classification of alcoholics and control subjects using evolutionary algorithms with a multi-objective approach. The main goal is to maximise the accuracy, sensitivity and specificity of the classification algorithm and minimise the number of features used. Four different classifiers are used, namely Support Vector Machine, k-nearest neighbors, Naive Bayes and AdaBoost. The selection of the best features is optimised using three different evolutionary approaches, two of which convert multi-objective optimisation to single-objective using weighted summation or restricting the maximum number of features. The Pareto optimal solutions are found by the NSGA-II algorithm. Results show that the evolutionary algorithms, combined with appropriate classifiers, reliably distinguish a person with a tendency to alcoholism from one with a healthy relationship towards alcohol. | en |
| dc.description.mark | B | cs |
| dc.identifier.citation | OVESNÁ, A. Evoluční optimalizace extraktoru příznaků klasifikátoru EEG [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2023. | cs |
| dc.identifier.other | 144283 | cs |
| dc.identifier.uri | http://hdl.handle.net/11012/211062 | |
| dc.language.iso | cs | 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 | odhalení alkoholismu | cs |
| dc.subject | elektroencefalogram | cs |
| dc.subject | wavelet transformation | cs |
| dc.subject | extrakce příznaků | cs |
| dc.subject | evoluční algoritmy | cs |
| dc.subject | vícekriteriální optimalizace | cs |
| dc.subject | klasifikace signálů | cs |
| dc.subject | alcoholism detection | en |
| dc.subject | electroencephalogram | en |
| dc.subject | wavelet transformation | en |
| dc.subject | features extraction | en |
| dc.subject | evolutionary algorithms | en |
| dc.subject | multi objective optimisation | en |
| dc.subject | signals classification | en |
| dc.title | Evoluční optimalizace extraktoru příznaků klasifikátoru EEG | cs |
| dc.title.alternative | Evolutionary Optimization of the EEG Classifier Feature Extractor | en |
| dc.type | Text | cs |
| dc.type.driver | bachelorThesis | en |
| dc.type.evskp | bakalářská práce | cs |
| dcterms.dateAccepted | 2023-06-15 | cs |
| dcterms.modified | 2023-06-15-13:56:01 | cs |
| eprints.affiliatedInstitution.faculty | Fakulta informačních technologií | cs |
| sync.item.dbid | 144283 | en |
| sync.item.dbtype | ZP | en |
| sync.item.insts | 2023.07.17 10:03:44 | en |
| sync.item.modts | 2023.07.17 09:37:48 | 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 |