hrvatski

Arhitekture umjetnih neuronskih mreža za analizu signala EEG-a

Elektroencefalografija (EEG) je metoda snimanja električne moždane aktivnosti. Analiza signala EEG-a omogućuje primjenu elektroencefalografije u raznim sustavima, a u tu svrhu se sve više koriste metode strojnog učenja od kojih se ističu umjetne neuronske mreže. U ovom radu korišten je skup signala EEG-a zdravih ispitanika i onih kojima je dijagnosticiran afektivni poremećaj, te su signali klasificirani u dvije klase: „zdravi“ i „bolesni“. Implementirana je konvolucijska neuronska mreža za klasifikaciju signala i autoenkoder za ekstrakciju važnih značajki. Značajke dobivene autoenkoderom zatim su korištene za klasifikaciju pomoću plitkih modela za klasifikaciju (SVM, KNN i Adaboost) i za grupiranje algoritmima za nenadzirano učenje (k-srednjih vrijednosti, aglomerativno grupiranje i DBSCAN). Konvolucijska neuronska mreža i autoenkoder su trenirani tri puta: na nebalansiranom skupu podataka, na skupu balansiranom težinama i na skupu balansiranom poduzorkovanjem. Rezultati su pokazali da je od testiranih modela konvolucijska neuronska mreža najuspješnija u klasifikaciji signala EEG-a (prosječna točnost i F1 mjera u iznosu od 0, 997). Balansiranje poduzorkovanjem imalo je bolje rezultate od balansiranja težinama. Grupiranjem je pokazano da se značajke prirodno grupiraju prema dijagnozi ispitanika

elektroencefalografija (EEG) ; umjetne neuronske mreže ; duboko učenje ; konvolucijske neuronske mreže ; autoenkoderi

nije evidentirano