Klasifikace signálu EEG - KNN klasifikátorem

Abstract

Předmětem diplomové práce je klasifikace EEG signálu. Samotné hodnocení EEG je bez jakého-koli programového vybavení velice náročný proces, a proto již bylo vyvinuto mnoho klasifikátorů, které umí vyznačit v záznamu významné události. Po zpracování teoretického rozboru problematiky byla vybrána metoda k-NN klasifikace, která je vhodná v situacích, kdy není známá žádná apriori informace o souboru dat. V praktické části je představeno vlastní řešení k-NN klasifikátoru v prostředí Matlab. Záznam je rozdělen do kvazi stacionárních segmentů, ve kterých lze signál popsat příznaky vhodnými k automatické klasifikaci. Etalon je stanoven metodou k-středů. Na jeho základě se pak provádí samotná k-NN klasifikace. V závěru práce jsou pak dosažené výsledky srovnány s programem Brain Quick.

The aim of the thesis is EEG classification. Evaluation of the EEG recordings is very demanding process without any software. For this reason, several classifiers able to extract the significant features have been developed. After the theoretical analysis, a k-Nearest Neighbors (k-NN) algorithm was chosen as the method to be used in this thesis since it is suitable for the cases where no information about the data set is known. In the practical part, the k-NN classifier is implemented using Matlab. The EEG recording is divided into quasi-stationary segments which ensures that the signal can be described by the features suitable for automatic classification. The prototype utilized for the classification is determined by using the c-means clustering. The results were verified by comparing with the Brain Quick program.