Συντάχθηκε 17-08-2020 15:54
Τόπος: Η παρουσίαση θα γίνει με τηλεδιάσκεψη
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 19/08/2020 12:00
Λήξη: 19/08/2020 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΝΙΚΟΛΑΟΣ ΛΥΤΡΙΔΗΣ
θέμα
Μια Αρχιτεκτονική Βαθιάς Μηχανικής Μάθησης για Φιλτράρισμα και Ταξινόμηση Δεδομένων σε ΗΕΓ Νοερής Κίνησης
A Deep Machine Learning Architecture for Filtering and Classification of Motor Imagery EEG Data
Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Μιχαήλ Λαγουδάκης (επιβλέπων)
Καθηγητής Μιχαήλ Ζερβάκης
Δρ. Διακολουκάς Βασίλειος (μέλος ΕΔΙΠ)
Περίληψη
Η Διεπαφή Εγκεφάλου-Υπολογιστή (ΔΕΥ) 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 ΔΕΥ που δίνει λύσεις και στις δύο παραπάνω κατηγορίες είναι αυτές που βασίζονται στη Νοερή Κίνηση. Κάθε εφαρμογή ΔΕΥ 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) που θέτει πολλές προκλήσεις στην επιτυχή προεπεξεργασία και ταξινόμηση των σημάτων. Η παρούσα διπλωματική διερευνά την απόδοση διαφόρων συστημάτων ταξινόμησης σημάτων Ηλεκτροεγκεφαλογραφήματος (ΗΕΓ), προερχόμενα από ένα δημόσιο σύνολο δεδομένων βασισμένο σε ΔΕΥ 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 ΗΕΓ. 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 ΗΕΓ. 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.
Abstract
The Brain-Computer Interface (BCI) is a scientific field, which with the development of new technologies is gaining more and more interest. Research in this area concerns both applications of medical interest (e.g. for people with mobility problems) and applications with multiple uses in everyday life (e.g. driving assistance system to avoid obstacles). A group of BCI applications that provide solutions to both of the above categories are those based on Motor Imagery. Each BCI application includes the recording and pre-processing of brain signals, as well as the use of machine learning methods in order to classify signals for certain tasks. The main problem that researchers face is the non-stationary nature of electroencephalogram (EEG) signals, which poses many challenges in the successful pre-processing and classification of signals. This diploma thesis investigates the performance of various electroencephalogram (EEG) signal classification systems, derived from a public data set based on BCI for Motor Imagery. As part of the work, an original integrated system was implemented, in a unified model, trainable from end to end, with two basic components: a spatial filtering method (CSP) and a classifier based on a deep neural network. The neural network parameters are adjusted directly during the training, so that the classification creates highly distinguishing features directly from the EEG signals. The structure of the system is such as to deal with both the spatial and temporal variability that exist naturally in the problem of classifying EEG signals. The proposed structure is compared to other common structures on the same data set. A point of reference is the comparison with the recent OPTICAL architecture that basically uses CSP and LSTM and seems to excel over the rest. The results reinforce the belief that the problem is generally user-dependent. It seems, however, that the proposed methodology, which shows comparable performance, could give excellent results in future research, given its flexibility in structure and configuration, with appropriate per-user optimization.
Meeting ID: 910 1014 7238
Password: 123456
