Ταξινόμηση σημάτων ηλεκτροεγκεφαλογραφήματος νοητικής κίνησης με χρήση τεχνικών βαθιάς μάθησης

Μουρατίδης, Σταύρος

dc.contributor.author	Μουρατίδης, Σταύρος	el
dc.date.accessioned	2020-12-03T07:48:56Z
dc.date.available	2020-12-03T07:48:56Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52199
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19897
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Ηλεκτροεγκεφαλογράφημα	el
dc.subject	Νοητική κίνηση	el
dc.subject	Διεπαφές εγκεφάλου - υπολογιστή	el
dc.subject	Machine learning	en
dc.subject	Deep learning	en
dc.subject	Electroencephalography	en
dc.subject	Motor imagery	en
dc.subject	Brain - computer interfaces	en
dc.title	Ταξινόμηση σημάτων ηλεκτροεγκεφαλογραφήματος νοητικής κίνησης με χρήση τεχνικών βαθιάς μάθησης	el
dc.contributor.department	ΤΟΜΕΑΣ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-09-29
heal.abstract	Οι διεπαφές εγκεφάλου – υπολογιστή (Brain Computer Interfaces - BCIs) που βασίζονται σε ηλεκτροεγκεφαλογραφήματα (EEG) νοητικών κινήσεων, αποτελούν μη επεμβατικά συστήματα τα οποία μετεφράζουν την πρόθεση κίνησης μελών του ατόμου σε σήματα ελέγχου μια εξωτερικής συσκευής. Αποτελούν έναν επιστημονικό τομέα υπό εντατική έρευνα καθώς μπορούν να αξιοποιηθούν από άτομα με σοβαρές αναπηρίες, παρέχοντας τους την δυνατότηα επικοινωνίας και αλληλεπίδρασης με το περιβάλλον. Για να γίνει η μετάφραση της πρόθεσης κίνησης στο αντίστοιχο σήμα ελέγχου είναι απαραίτητη η αποκωδικοποίηση και ταξινόμηση των EEG σημάτων. Για την ταξινόμηση, τυπικά γίνεται χρήση κλασικών τεχνικών μηχανικής μάθησης, οι οποίες αν και πετυχαίνουν αρκετά καλά αποτελέσματα, βασίζονται στην χειροκίνητη εξαγωγή χαρακτηριστικών των σημάτων. Ωστόσο η εξαγωγή των χαρακτηριστικών αυτών αποτελεί μεγάλη πρόκληση καθώς τα σήματα αυτά χαρακτηρίζονται από μεγάλη μεταβλητότητα. Παράλληλα ο τομέας της βαθιάς μάθησης εξελίσσεται ραγδαία τα τελευταία χρόνια, παρέχοντας μεθόδους μάθησης που εκπαιδεύονται να εξάγουν αυτόματα τα πιο χρήσιμα χαρακτηριστικά των δεδομένων τους, οδηγώντας σε εντυπωσιακά αποτελέσματα. Αντικείμενο της εργασίας είναι η μελέτη της επίδοσης τεχνικών βαθιάς μάθησης, οι οποίες θα μπορούσαν να αντικαταστήσουν τις κλασικές μεθόδους και να οδηγήσουν στην ανάπτυξη των BCIs. Υλοποιήθηκαν τέσσερα νευρωνικά δίκτυα: δυο συνελικτικά (CNN), ένα συνελικτικό βασισμένο σε σπεκτρογράμματα καθώς και ένα συνελικτικό δίκτυο μακράς βραχείας μνήμης (ConvLSTM). Τα μοντέλα μας αξιολογήθηκαν σε δεδομένα από νοητικές κινήσεις 109 ατόμων, τα οποία είναι διαθέσιμα στο Physionet. Παρατήρηθηκαν καλύτερες επιδόσεις από γνωστές μεθόδους ρηχής μάθησης καθώς επίσης και από μοντέλα βαθιάς μάθησης συγγενών εργασιών στο ίδιο dataset.	el
heal.abstract	Motor imagery electroencephalography (EEG) based Brain – Computer Interfaces (BCIs) are non - invasive systems that translate a subject’s movement intention into a control signal for an external device. BCIs are under intense research over the last two decades, as they can provide an alternative path of communication and environmental interaction for disabled people, such as patients suffering from locked-in syndrome. This translation requires the decoding and classification of the acquired EEG signal. Typically, traditional machine learning techniques are used for EEG classification. These techniques rely on hand-crafted feature extraction, which is a very difficult task because of the high-stationarity of EEG signals. Meanwhile, deep learning is a rapidly growing field with many successful applications and provides models that are able to automatically extract the desired features of raw data leading to end – to – end learning with impressive results. The subject of this diploma thesis is studying of deep learning methods in classifying EEG signals, that could possibly replace the traditional methods and benefit greatly motor imagery BCIs. Four models were developed: two convolutional (CNN) models, one spectrogram-based CNN and one convolutional Long Term Short Term Memory network (ConvLSTM). The above models were evaluated on motor imagery data from 109 subjects that are publicly available in Physionet Motor Imagery EEG dataset. Our deep learning models achieved better classification results on this dataset than state-of-the art machine learning techniques as well as compared to deep learning models from past research papers.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας - Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας - Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	68 σ.	el
heal.fullTextAvailability	false