Details
Title | System for Electroencephalographic signals classification using machine learning: выпускная квалификационная работа магистра: направление 11.04.02 «Инфокоммуникационные технологии и системы связи» ; образовательная программа 11.04.02_05 «Микроэлектроника инфокоммуникационных систем (международная образовательная программа) / Microelectronics of Telecommunication Systems (International Educational Program)» |
---|---|
Creators | Аль-Днинави Асра Хамид Тахер |
Scientific adviser | Буданов Дмитрий Олегович |
Organization | Санкт-Петербургский политехнический университет Петра Великого. Институт электроники и телекоммуникаций |
Imprint | Санкт-Петербург, 2024 |
Collection | Выпускные квалификационные работы; Общая коллекция |
Subjects | Машинное обучение; Нейронные сети; Parkinson’s disease; EEG signial; classification; болезнь Паркинсона; ЭЭГ-сигналы; классификация |
UDC | 004.85; 004.032.26 |
Document type | Master graduation qualification work |
File type | |
Language | Russian |
Level of education | Master |
Speciality code (FGOS) | 11.04.02 |
Speciality group (FGOS) | 110000 - Электроника, радиотехника и системы связи |
DOI | 10.18720/SPBPU/3/2024/vr/vr24-5940 |
Rights | Доступ по паролю из сети Интернет (чтение, печать, копирование) |
Record key | ru\spstu\vkr\33742 |
Record create date | 9/2/2024 |
Allowed Actions
–
Action 'Read' will be available if you login or access site from another network
Action 'Download' will be available if you login or access site from another network
Group | Anonymous |
---|---|
Network | Internet |
Это исследование даёт общее представление о категории электроэнцефалографии (ЭЭГ) стимуляции, процедуры, которая подразумевает изучение электрического интереса в мозге для выявления закономерностей, связанных с определенными интеллектуальными состояниями или видами деятельности. Улучшение общей производительности и точности систем класса сигналов ЭЭГ имеет решающее значение для надежной и обоснованной интерпретации стимуляций мозга, что приводит к более точным диагнозам и планам лечения неврологических заболеваний. Эти исследования посвящены разработке и сравнению превосходных моделей нейронных сетей для популяции болезни Паркинсона с использованием биомедицинских акустических измерений. Был использован набор данных из 42 человек с ранней стадией болезни Паркинсона. Были использованы четыре архитектуры нейронных сетей: простая нейронная сеть, трансформаторные нейронные сети (TNN), рекуррентная нейронная сеть (RNN), а также сверточная нейронная сеть (CNN). Была проведена строгая предварительная обработка данных, и набор данных был разделен. На обучающих и тестовых наборах. Модель RNN превзошла остальные модели с точностью 97,43% и временем выполнения 7 миллисекунд. Модель RNN также была разработана и обучена на программном обеспечении NVidia Jetson Nano с точностью 94,87% и временем выполнения 23,9 миллисекунд. Также были рассмотрены различные программные и аппаратные методы для повышения производительности и точности. Анализ результатов подчеркивает важность выбора оптимального подхода с учетом таких факторов, как вычислительная эффективность, возможности обработки в реальном времени и показатели точности.
These studies provide an outline of the category of electroencephalography (EEG) stimulation, a procedure that entails studying electrical interest in the brain to identify patterns associated with specific intellectual states or activities. Improving the overall performance and accuracy of EEG signal class systems is crucial for reliable and valid interpretation of brain stimulations, leading to more accurate diagnoses and treatment plans for neurological conditions. These studies are devoted to developing and comparing superior neural network models for the Parkinsons disease population using biomedical acoustic measurements. A dataset of 42 people with early-stage Parkinsons disease was used. Four neural network architectures were used: simple neural network, Transformer Neural Networks (TNN), Recurrent neural network (RNN), and also Convolutional neural network (CNN). Rigorous data preprocessing was performed, and the dataset was partitioned. On training and test sets. The RNN model outperformed the rest of the models with an accuracy rate of 97.43% and an execution time of 7 milliseconds. An RNN model was also developed and trained on NVidia Jetson Nano software with an accuracy rate of 94.87% and an execution time of 23.9 milliseconds. Various software and hardware techniques were also reviewed to improve performance and accuracy. Analysis of the results highlights the importance of choosing the optimal approach by considering factors such as computational efficiency, real-time processing capabilities, and accuracy rates.
Network | User group | Action |
---|---|---|
ILC SPbPU Local Network | All |
|
Internet | Authorized users SPbPU |
|
Internet | Anonymous |
|
Access count: 5
Last 30 days: 1