Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/80132
Title: | แบบจำลองตรวจจับความฟุ้งซ่านจากไฟฟ้าคลื่นสมอง |
Other Titles: | Mind-wandering detection model with electroencephalogram |
Authors: | ชุติมณฑน์ รุ่งศิลป์ |
Advisors: | เกริก ภิรมย์โสภา |
Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ |
Issue Date: | 2564 |
Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
Abstract: | การศึกษาเรื่องความฟุ้งซ่านได้รับความนิยมแพร่หลายเนื่องจากความฟุ้งซ่านเกี่ยวเนื่องกับปัญหาทางอารมณ์และสภาพจิตใจที่ไม่มีสุข การศึกษานี้จึงมีความสนใจที่จะพัฒนาแบบจำลองการเรียนรู้ของเครื่องสำหรับฝังในอุปกรณ์พกพาที่สามารถจัดหมวดหมู่ความฟุ้งซ่าน เพื่อช่วยให้ผู้คนสามารถติดตามความคิดของตนเองได้ ในการศึกษานี้ใช้เครื่องวัดสัญญาณไฟฟ้าคลื่นสมองชนิดจำนวนอิเล็กโทรดน้อย เพื่อบันทึกข้อมูลสภาวะสมองที่จะใช้ในการสร้างแบบจำลองทำนาย เพราะความสะดวกและเป็นความมิตรต่อผู้ใช้งาน โดยการศึกษาส่วนใหญ่ของการเรียนรู้ของเครื่องโดยใช้สัญญาณไฟฟ้าคลื่นสมองนั้นให้ผลลัพธ์ดีในระดับบุคคล แต่ในระดับกลุ่มมีเพียงบางการศึกษาที่ทำการพัฒนาแบบจำลอง ด้วยเหตุนี้จุดประสงค์ของการวิจัยนี้คือแบบจำลองระดับกลุ่มที่มีความแม่นยำสูง ดังนั้นจึงเลือกใช้การทวนสอบชนิด Leave One Participant Out Cross Validation (LOPOCV) เพื่อประเมินความถูกต้องของแบบจำลอง ผลการศึกษาพบว่าการใช้เทคนิค baseline normalization ในขั้นตอนคัดเลือกคุณลักษณะช่วยเพิ่มประสิทธิภาพ และแบบจำลองที่ใช้คือ ซพพอร์ตเวกเตอร์ แมชชีน ที่มีความแม่นยำของโมเดลที่ดีสุดเป็น 75.6 เปอร์เซนต์ |
Other Abstract: | The study of mind-wandering is gaining popularity since it's linked to emotional problems and a dissatisfied mind. This project sought to develop a machine learning model for an embedded portable device that can categorize mind-wandering to assist people in keeping track of their minds. We utilize a low-channel EEG to record the brain state and build the prediction model because of its practical and user-friendly. The majority of machine learning experiments in mind-wandering using EEG exhibit good individual-level performance. In the group-level technique, only a few research develop a model. As a result, the goal of this research is to achieve a high-accuracy group-level model. So, Leave One Participant Out Cross Validation (LOPOCV) was used to assess the models' correctness. The findings of this study show that using a baseline normalization technique assists in feature extraction and improves performance. The model was built using a support vector machine (SVM), and the top model had an accuracy of 75.6 percent. |
Description: | วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2564 |
Degree Name: | วิทยาศาสตรมหาบัณฑิต |
Degree Level: | ปริญญาโท |
Degree Discipline: | วิทยาศาสตร์คอมพิวเตอร์ |
URI: | http://cuir.car.chula.ac.th/handle/123456789/80132 |
URI: | http://doi.org/10.58837/CHULA.THE.2021.849 |
metadata.dc.identifier.DOI: | 10.58837/CHULA.THE.2021.849 |
Type: | Thesis |
Appears in Collections: | Eng - Theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
6270067021.pdf | 1.6 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.