Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Μια αρχιτεκτονική βαθιάς μηχανικής μάθησης για φιλτράρισμα και ταξινόμηση δεδομένων σε ΗΕΓ νοερής κίνησης

Lytridis Nikolaos

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/55A49079-6451-453B-9D3E-03FD857D2EC7
Έτος 2020
Τύπος Διπλωματική Εργασία
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά Νικόλαος Λυτρίδης, "Μια αρχιτεκτονική βαθιάς μηχανικής μάθησης για φιλτράρισμα και ταξινόμηση δεδομένων σε ΗΕΓ νοερής κίνησης", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2020 https://doi.org/10.26233/heallink.tuc.86488
Εμφανίζεται στις Συλλογές

Περίληψη

Η Διεπαφή Εγκεφάλου-Υπολογιστή (ΔΕΥ) ή Brain-Computer Interface (BCI) είναι ένας επιστημονικός τομέας, ο οποίος με την ανάπτυξη νέων τεχνολογιών συγκεντρώνει όλο και περισσότερο ενδιαφέρον. Η έρευνα στον τομέα αυτό αφορά τόσο σε εφαρμογές με ιατρικό ενδιαφέρον (π.χ. για ανθρώπους με κινητικά προβλήματα), όσο και σε εφαρμογές με πολλές χρήσεις στη καθημερινότητα (π.χ. σύστημα υποβοήθησης κατά την οδήγηση για αποφυγή εμποδίων). Μία ομάδα εφαρμογών BCI που δίνει λύσεις και στις δύο παραπάνω κατηγορίες είναι αυτές που βασίζονται στη Νοερή Κίνηση. Κάθε εφαρμογή BCI περιλαμβάνει την καταγραφή και προεπεξεργασία εγκεφαλικών σημάτων, καθώς και τη χρήση μεθόδων μηχανικής μάθησης με σκοπό την ταξινόμηση των σημάτων για ορισμένες εργασίες. Το κύριο πρόβλημα που έχουν να αντιμετωπίσουν οι ερευνητές είναι η μη στάσιμη φύση των σημάτων Ηλεκτροεγκεφαλογραφήματος (ΗΕΓ ή EEG) που θέτει πολλές προκλήσεις στην επιτυχή προεπεξεργασία και ταξινόμηση των σημάτων. Η παρούσα διπλωματική διερευνά την απόδοση διαφόρων συστημάτων ταξινόμησης σημάτων Ηλεκτροεγκεφαλογραφήματος (EEG), προερχόμενα από ένα δημόσιο σύνολο δεδομένων βασισμένο σε BCI για Νοερή κίνηση. Στο πλαίσιο της εργασίας υλοποιήθηκε ένα πρωτότυπο ολοκληρωμένο σύστημα, σε ενοποιημένο μοντέλο, εκπαιδεύσιμο απ’ άκρη σ’ άκρη, με δύο βασικά συστατικά: μία μέθοδο χωρικού φιλτραρίσματος (CSP) και έναν ταξινομητή βασισμένο σε βαθύ νευρωνικό δίκτυο. Οι παράμετροι του νευρωνικού δικτύου υπολογίζονται άμεσα κατά τη διάρκεια της εκπαίδευσης, με τρόπο ώστε η ταξινόμηση να δημιουργεί χαρακτηριστικά υψηλής διαχωριστικότητας απευθείας από τα σήματα EEG. Η δομή του συστήματος είναι τέτοια ώστε να αντιμετωπίζει τόσο τη χωρική όσο και τη χρονική μεταβλητότητα που υπάρχει εκ φύσεως στο πρόβλημα ταξινόμησης σημάτων EEG. Η προτεινόμενη δομή συγκρίνεται με άλλες διαδεδομένες δομές στο ίδιο σύνολο δεδομένων. Σημείο αναφοράς αποτελεί η σύγκριση με την πρόσφατη αρχιτεκτονική OPTICAL που χρησιμοποιεί κατά βάση CSP και LSTM και δείχνει να υπερέχει σε σχέση με τις υπόλοιπες. Από τα αποτελέσματα ενισχύεται η πεποίθηση ότι το πρόβλημα είναι εν γένει εξαρτώμενο από τον χρήστη. Φαίνεται ωστόσο ότι η προτεινόμενη μεθοδολογία, η οποία επιδεικνύει συγκρίσιμη απόδοση, θα μπορούσε σε μελλοντική έρευνα, δεδομένης της ευελιξίας της ως προς δομή και την παραμετροποίηση, με κατάλληλη βελτιστοποίηση ανά χρήστη, να δώσει εξαιρετικά αποτελέσματα.

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά