Ταξινόμηση σημάτων ηλεκτροεγκεφαλογραφήματος νοητικών κινήσεων με τη χρήση τεχνητού νευρωνικού δικτύου αιχμών και νευρομορφικού υλικού

Παναγιωταράς, Ηλίας

dc.contributor.author	Παναγιωταράς, Ηλίας	el
dc.date.accessioned	2020-12-08T07:26:57Z
dc.date.available	2020-12-08T07:26:57Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52354
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20052
dc.rights	Default License
dc.subject	Διεπαφές εγκεφάλου-υπολογιστή	el
dc.subject	Τεχνητά νευρωνικά δίκτυα αιχμών	el
dc.subject	Νευρομορφική υπολογιστική	el
dc.subject	Ηλεκτροεγκεφαλογράφημα	el
dc.subject	Brain-computer interfaces	en
dc.subject	Spiking neural networks	el
dc.subject	Neuromorphic computing	el
dc.subject	Electroencephalogram	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Machine learning	en
dc.title	Ταξινόμηση σημάτων ηλεκτροεγκεφαλογραφήματος νοητικών κινήσεων με τη χρήση τεχνητού νευρωνικού δικτύου αιχμών και νευρομορφικού υλικού	el
dc.title	Motor imagery EEG classification using spiking neural network and neuromorphic hardware	en
dc.contributor.department	Εργαστήριο Συστημάτων Τεχνητής Νοημοσύνης και Μάθησης	el
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-09-10
heal.abstract	Μη επεμβατικές Διεπαφές Εγκεφάλου-Υπολογιστή (ΔΕΥ) που κάνουν χρήση σημάτων Ηλεκτροεγκεφαλογραφήματος (ΗΕΓ) νοητικών κινήσεων, είναι υπεύθυνες για την μετάφραση της πρόθεσης του χρήστη για την κίνηση ενός άκρου του σε σήματα ελέγχου, ταξινομώντας τα μοτίβα ΗΕΓ που παράγονται από διαφορετικές νοητικές εργασίες, όπως η νοητική κίνηση των χεριών. Οι ΔΕΥ αυτής της μορφής έχουν μελετηθεί εκτενώς και χρησιμοποιούνται ήδη ως εναλλακτικός τρόπος επικοινωνίας και ελέγχου του περιβάλλοντος των ανθρώπων με αναπηρία, όπως ασθενείς που υποφέρουν από Πλάγια Μυατροφική Σκλήρυνση, εγκεφαλικό επεισόδιο και κάκωση του νωτιαίου μυελού. Η συμβίωση του αναπτυσσόμενου κλάδου των ΔΕΥ με τις πρόσφατες εξελίξεις στην Νευρομορφική Υπολογιστική, η οποίες επιτρέπουν την χαμηλής ισχύος υλοποίηση Νευρωνικών Δικτύων Αιχμών μεγάλης κλίμακας για την επεξεργασία δεδομένων σε πραγματικό χρόνο, μπορεί να οφελήσει σημαντικά μία πληθώρα από εφαρμογές διαφορετικών κλάδων. Στην παρούσα εργασία, υλοποιούμε και αναπτύσσουμε περαιτέρω ένα μοντέλο Νευρωνικού Δικτύου Αιχμών (ΝΔΑ), το οποίο είναι εμπνευσμένο από την αρχιτεκτονική του οσφρητικού συστήματος των εντόμων, για την αποκωδικοποίηση και πρόβλεψη νοητικών κινήσεων από σήματα ΗΕΓ. Το δίκτυο εκτελέστηκε στην πλατφόρμα νευρομορφικού υλικού SpiNNaker, η οποία αποτελείται από 4 ολοκληρωμένα κυκλώματα με 64 πυρήνες. Για την βελτίωση της απόδοσης του δικτύου, υλοποιήθηκε ένας αλγόριθμος μάθησης ανταμοιβής Spike-Time Dependent Plasticity (STDP), ενώ ελέγχθηκαν και άλλες τεχνικές, όπως η Ομοιόσταση και η μαζική μάθηση (batch learning) για την εκπαίδευση του δικτύου. Έχοντας ως στόχο την εύρεση συστατικών από τα σήματα ΗΕΓ, τα οποία να είναι σταθερά κατα μήκος των νοητικών κινήσεων της ίδιας κλάσης, αναλύθηκαν διάφορες τεχνικές εξαγωγής χαρακτηριστικών, όπως ο υπολογισμός της ισχύος υποζώνης συχνοτήτων, της λογαριθμικής ισχύος ζώνης και χαρακτηριστικών που παρουσιάζονται κατα τη διάρκεια μίας νοητικής κίνησης, από τα διαθέσιμα σήματα. Ελέγχθηκε, ακόμα, ο Διακριτός Μετασχηματισμός Κυματιδίων (ΔΜΚ), για την αποσύνθεση των δεδομένων ΗΕΓ, διατηρώντας την πληροφορία από τα πεδία του χρόνου και της συχνότητας. Από όλες τις προσεγγίσεις για την εξαγωγή σταθερών χαρακτηριστικών, ο ΔΜΚ απεδείχθει να έχει τα καλύτερα αποτελέσματα. Συνολικά, το Νευρωνικό Δίκτυο Αιχμών, εκπαιδευμένο με τη χρήση του αλγορίθμου μάθησης STDP, πετυχαίνει μέση ορθότητα ταξινόμησης 70.3%, ποσοστό 5.23% μικρότερο κατά μέσο όρο σε σύγκριση με τα αντίστοιχα ποσοστά των παραδοσιακών στατιστικών αλγορίθμων μάθησης. Τα αποτελέσματα, μεταξύ άλλων, μας υποδεικνύουν πως τα ΝΔΑ αποτελούν μία βάσιμη εναλλακτική των κλασσικών αλγορίθμων μηχανικής μάθησης για τη χρήση σε εφαρμογές ΔΕΥ, εάν ληφθεί υπόψη η μείωση της κατανάλωσης ισχύος και των χρόνων εκπαίδευσης που παρουσιάζουν όπως αποδεικνύεται στη βιβλιογραφία.	el
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	102 σ.	el
heal.fullTextAvailability	false