Rozložení EEG elektrod (10-20 system)

Prezentace na téma: "Rozložení EEG elektrod (10-20 system)"— Transkript prezentace:

1 Rozložení EEG elektrod (10-20 system)

2 Vstupní EEG signály (elektrody fz, cz, pz, oz)

3 Doplňkové vstupní signály (EMG, EOG, RESP)

4 Výpočet příznaků (atributů)
pro každý vstupní signál provedena segmentace po 30s pro každý segment délky 30s vypočítáno: Mean - střední hodnota Std - rozptyl Min - minimální amplituda Max - maximální amplituda Skewness - šikmost // matlab příkaz skewness() Kurtosis - špičatost // matlab příkaz kurtosis() Hz Hz 3 - 7Hz 7 - 12Hz Hz Hz průměrný výkon v jednotlivých frekvenčních pásmech

5 Klasifikace Každý segment klasifikujeme do jedné z šesti tříd:
třída0 - Wake třída1 - NREM1 třída2 - NREM2 třída3 - NREM3 třída4 - NREM4 třída5 - REM Hypnogram (zdravý člověk, normální hypnogram, průběh během jedné noci):

6 Struktura ARFF souboru
Dva typy vygenerovaných dat: - v každém souboru všechny příznaky pouze pro jeden vstupní signál - v jednom souboru všechny příznaky pro všechny vstupní signály (fz, pz, cz, oz, eog, resp, emg) @RELATION <nazev_souboru> @ATTRIBUTE <nazev_atributu_1> REAL @ATTRIBUTE <nazev_atributu_2> REAL @ATTRIBUTE <nazev_atributu_3> REAL . @ATTRIBUTE Class { } @DATA Zde jsou všechny segmenty, pro každý segment jsou zde zobrazeny všechny atributy a dále třída do které daný segment patří

7 Pokyny pro semestrální práci
Porozumět vstupním datům a řešenému problému Seznámit se s programem Weka Export dat do Weky a následné zpracování dat Vypracovat zprávu (*.doc, nebo *.pdf) Vybraní studenti budou prezentovat své výsledky na cvičení Na co se zaměřit: - diskretizace dat, závislost přesnosti klasifikace na počtu úrovní do kterých diskretizujeme - selekce atributů, porovnání různých metod selekce, minimalizace počtu atributů před klasifikací - klasifikace, porovnání různých klasifikátorů – zaměřit se na rychlost výpočtu, přesnost klasifikace, složitost výsledného modelu, vyzkoušet si nastavení různých parametrů klasifkikátorů - porovnat cross-validaci a pouhé rozdělení vstupního signálu na trénovací a testovací část - pokusit se nalézt vhodná asociační pravidla - vyzkoušet si různé metody vizualizace Jedná se o reálná data! Nesnažte se za každou cenu najít ideální klasifikátor! Snažte se popsat problémy spojené se zpracováním těchto dat a navrhnout možná vylepšení (jiné příznaky, jiný přístup, ???).