Rozložení EEG elektrod (10-20 system)

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

Doplňkové vstupní signály (EMG, EOG, RESP)

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() 0.1 - 0.5Hz 0.5 - 3Hz 3 - 7Hz 7 - 12Hz 12 - 20Hz 20 - 30Hz průměrný výkon v jednotlivých frekvenčních pásmech

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):

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 {0 1 2 3 4 5} @DATA Zde jsou všechny segmenty, pro každý segment jsou zde zobrazeny všechny atributy a dále třída do které daný segment patří

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, ???).