Mélytanuló algoritmusok alkalmazása agy-gép interfészek fejlesztéséhez
A dolgozat olyan mélytanuló (deep learning) algoritmusokat alkalmazó módszert mutat be, mely a Magyar Tudományos Akadémia Természettudományi Kutatóintézetének Kognitív Idegtudományi és Pszichológiai Kutatóintézetével együttműködésben idegszövetbe ültethető elektródák segítségével rögzített jelek automatikus feldolgozását célozza.
A használt elektródák 32 sorban és 4 oszlopban elhelyezkedő érzékelő elemeket tartalmaznak, így a feldolgozandó (altatásban levő rágcsálók hallókérgi aktivitását monitorozó) felvételek 128 csatornán tartalmaznak adatot. Egy elektróda közelében körülbelül 30–50 olyan idegsejt található, melynek aktivitási mintázata jól elkülöníthető. A Keras és TensorFlow keretrendszerek felhasználásával fejlesztett algoritmusnak képesnek kell lennie a felvétel rögzítését végző elektróda környezetében elhelyezkedő idegsejtek aktivitásának detektálására, illetve azok megkülönböztetésére aszerint, mely idegsejttől származnak.
Az egyes felvételekben található sejtaktivitások manuálisan felcímkézettek, így az adatsorok felhasználhatók az algoritmus felügyelt tanításához. Nehézséget jelent az egyes klaszterek (adott neuronhoz tartozó aktivitások) esetleges térbeli átlapolódása. Figyelembe véve, hogy a későbbi alkalmazhatóság szempontjából előnyös az algoritmus célhardveren történő futtathatósága (pl. esetleges későbbi on-line adatfeldolgozáshoz), az adatsorokon a lehető legkisebb előfeldolgozást célszerű végrehajtani. A módszernek továbbá a detektálandó elemek esetleges kisebb mértékű torzítása esetén is robusztusnak kell lennie. Ezért konvolúciós hálókat alkalmaztam. A fenti követelményekkel összhangban jelentkezik a feladat megoldását megvalósító háló viszonylagos egyszerűsége – szoftver túlzott komplexitása (kis teljesítményű hardver esetén jelenthet problémát), illetve túlillesztés (a háló bonyolultságából következő elégtelen generalizációs képesség) elleni védelem.
Az elért eredmények alapján a hálóval egy adatfolyamból például a 23 legnagyobb amplitúdót eredményező idegsejt jelei 85%-ot meghaladó hatékonysággal detektálhatóak és különíthetőek el egymástól.
szerző
-
Rácz Melinda
Villamosmérnöki szak, mesterképzés
mesterképzés (MA/MSc)
konzulensek
-
Dr. Márton Gergely
Tudományos munkatárs, ELKH Természettudományi Kutatóközpont (külső) -
Dr. Harmati István
egyetemi docens, Irányítástechnika és Informatika Tanszék
